Tensorflow object detection API 搭建屬於自己的物體識別模型（1）——環境搭建與測試
後續部落格地址（附帶視訊教程）
--------------------------------------------------------------------------------------------------
最近對深度學習比較感興趣，看了網上很多資料，嘗試了一下Tensorflow object detection API，想要在自己的資料集上呼叫API完成識別，積累了不少經驗，記錄下來，以後給需要的人。
1.開發環境搭建
在自己筆記本上完成。
作業系統：windows 10 64位
記憶體：8G
GPU：Nvidia MX 150
Tensorflow: 1.4
(1) 安裝python
建議選擇 Anaconda3-5.0.1 版本，已經整合大多數庫，並將其作為預設python版本（3.6.3），配置好環境變數（Anaconda安裝則已經配好）
（2）安裝Tensorflow
Tensorflow有CPU版本與GPU版本，首先安裝CPU版本。採用pip原生安裝。“開始-Anaconda3-Anaconda Prompt”調出命令列。
pip install --upgrade tensorflowconda install pippip install --upgrade tensorflow-gpu對於GPU版本，需要安裝如下軟體：
1）CUDA® Toolkit 8.0， 需要注意最新版9.1不支援tensorflow 1.4版本；
2） cuDNN v6.0，7.0不支援tensorflow 1.4版本，現在cuDNN需要先註冊成為NVIDIA開發者，下載後將cuDNN中對應資料夾下的.dll檔案分別複製到CUDA安裝目錄對應資料夾下；
3） 對應的顯示卡驅動，如果驅動較新，在安裝CUDA的時候會有提示可能不相容，可以無視。
要測試Tensorflow 是否安裝成功，開啟命令列，首先啟用python
開始-Anaconda3-Anaconda Prompt，輸入'python'，然後逐行輸入下面的文字
當輸出下面這行字，說明安裝成功。>>> import tensorflow as tf >>> hello = tf.constant('Hello, TensorFlow!') >>> sess = tf.Session() >>> print(sess.run(hello))
Hello, TensorFlow!（3）下載Tensorflow object detection API
https://github.com/tensorflow/models從github上下載專案（右上角“Clone or download”-"DownloadZIP"），下載到本地目錄（避免中文），解壓。
（4）Protobuf 安裝與配置
在 https://github.com/google/protobuf/releases 網站中選擇windows 版本（最下面），解壓後將bin資料夾中的【protoc.exe】放到C:\Windows在models\research\目錄下開啟命令列視窗，輸入：
# From tensorflow/models/
protoc object_detection/protos/*.proto --python_out=.出現對應的.py結尾的檔案。不報錯即可。
（5）PYTHONPATH 環境變數設定
在 ‘此電腦’-‘屬性’- ‘高階系統設定’ -‘環境變數’-‘系統變數’ 中新建名為‘PYTHONPATH’的變數，將models/research/ 及 models/research/slim 兩個資料夾的完整目錄新增，分號隔開，效果如下圖：
接下來可以測試API，在 models/research/ 資料夾下執行命令列：
python object_detection/builders/model_builder_test.py不報錯說明執行成功。
2.測試自帶案例
“開始-Anaconda3-Anaconda Prompt”調出命令列，改變工作目錄至 models\research\object_detection
然後輸入jupyter notebook，就會呼叫瀏覽器（Chrome）開啟當前資料夾，點開 object_detection_tutorial.ipynb，
在新標籤頁中開啟 Object Detection Demo，點選上方的 “Cell”-"Run All"，
如果在notebook中執行有問題，可以將.ipynb中in[]的程式碼複製到.py中，然後在 開始-Anaconda3-spyder 中執行。
至此Tensorflow object detection API 的環境搭建與測試工作完成。
下一步我們可以在此基礎上對程式碼進行適當的修改，可以用已有的模型來檢測自己的圖片，甚至視訊，並輸出結果。
在進一步，可以用自己標註的資料集進行訓練與評估。這些內容將在後續的部落格中呈現。