Tensorflow Objection_Detection API 使用心得

最近这个星期根据网上的一些TF教程，开始学着自己做hand_detection玩一下，但是捣鼓来捣鼓去。总是在TF安装包、Anaconda安装等问题上一直来回浪费时间。这篇文章主要是说一下博主玩这个API遇到的一些坑，以及如何一步步去解决，方便后人更快地入手，体验Objection_DetectionAPI。

Tensorflow安装

首先博主安装Tensorflow1.4-gpu的版本，因为以前的教程基本多数都是1.0版本，2.0版本暂时教程没那么齐全，然后玩API没有那么方便，遇到坑也难以找到解决方法。
在确定了自己是安装TF的版本后，就是要下载Anaconda。

Anaconda的安装

首先Anaconda的好处在于可以使用虚拟环境env，意味着你可以在其上面下载多个Python的版本，3.5、3.6、3.7等。然后进入不同的环境里面安装跟Python版本对应的Tensorflow版本。 这也就意味着你的电脑可以同时有TF1.0、TF2.0等版本。这就是强烈推荐用Anaconda的原因，且安装各种Python库和包都极其方便。
下面说一下博主遇到的坑

1. 博主的电脑是Win10，由于Anaconda Navigator总是出问题，不能正常打开，所以安装过好多个版本的Anaconda，最新的2020版本也试过。但是会问题依旧存在。但是安装以前的旧版本就不会出现这个问题。可能是我的电脑兼容性问题，也可能是Anaconda往后没有做好系统兼容。后来就选用了Anaconda3 5.0.1的老版本，可以正常打开Anaconda里面的Spyder、Navigator，且这个版本默认安装的Python环境是3.6，刚好可以对应我需要安装Tensorflow1.4-gpu所需的Python环境，对我来说不需要另外开辟虚拟环境。但是，你要根据你自己的TF版本对应好Python环境去下载。 强烈建议安装Anaconda用国内镜像，如清华，阿里云等下载，速度快得多。
2. 安装TF-GPU版本网上有很多博主已经写了，而且教程详细，跟着安装即可，但是在pip install时强烈推荐国内镜像源，否则容易出现安装失败的情况。

玩API碰到大坑

1. 首先在安装好TF-GPU版本后，就是开始去尝试API，跟着网上博客去做目标检测，只要网上搜索Tensorflow目标检测API就有很多博客教程。但是他们已经是1-2年前写的博客，在下载Tensorflow object detection API上，没有给到提醒。博主就是因为这样浪费了一个下午的时间，各种配置环境，调试。后来发现了最重要的点API需要对应TF版本下载 API需要对应TF版本下载 API需要对应TF版本下载。重要的事情说三遍。
   当时博主直接在github下载最新的models，它是对应最新版本的TF设计的。而以前就的版本在其官方github的branch上可以找到。玩这个API的时候，必须下载跟自己TF版本对应的models，否则会遇到很多问题。
   当时最让我崩溃的还是官方的删库行为，我发现自己TF版本对应的tensorflow1.4.0的models居然被官方删库，删掉了一部分。幸好在github上搜索tensorflow1.4.0 models发现有人之前fork了，得以让博主可以安心地进行玩耍。
2. 在下载好跟tf对应的models后面跟着网上的教程走都很流畅，如果遇到没有absl的报错，直接下载pip install absl-py的库即可完成。

Objection Detection API 总结

首先，label_map对应的 .pbtxt 文件里面的 id 可以是多个，相当于到后面检测的物体是有多个的。这是给检测物体定义标签。
其次在训练模型时需要配置的 .config文件中的num_class是类的数量，也就是检测物体种类的数量。
然后训练模型主要使用tf.record文件和神经网络框架，也就是.config配置文件对应的网络框架，官方github有很多神经网络框架，使用迁移学习可以加快训练速度，数据集主要是为了生成tf.record文件用于训练，所以图片可以放在别的地方，最重要的是.record文件。
其次，在配置文件路径时path需要双斜杠不能单斜杠，例如：F:\\deep_learning\\models\\research\\object_detection\\hand_detection\\test_images
最后，在测试自己训练过模型的效果时，推荐用spyder编辑器去跑训练模型的测试效果，因为可以一目了然地查看状态变量和直接保存测试后的效果图片。pycharm需要搭配ipython的console环境，博主懒得搭配，且jupyter notebook也可以运行测试，但是不直观和不方便。

1. 神经网络一般都是迁移学习来加快训练过程，除非学术研究，通常用别人已经做好的神经网络，然后我们利用数据集转化成的tf.record文件进行训练模型。
2. 模型训练结束后，训练模型就是frozen_inference_graph.pb文件，利用它来检测识别物体。