【TensorFlow学习笔记】目标识别篇（三）：Win10+Anaconda+tensorflow Object-detection API的环境搭建

导语

Tensorflow在更新1.0版本之后多了很多新功能，其中放出了很多用tf框架写的深度网络结构（https://github.com/tensorflow/models ），大大降低了开发难度，利用现成的网络结构，无论fine-tuning还是重新训练方便了不少。最近笔者终于跑通TensorFlow Object Detection API的ssd_mobilenet_v1模型，这里记录下如何完整跑通数据准备到模型使用的整个过程，相信对自己和一些同学能有所帮助。
Object Detection API提供了5种网络结构的预训练的权重，全部是用COCO数据集进行训练，这五种模型分别是SSD+mobilenet、SSD+inception_v2、R-FCN+resnet101、faster RCNN+resnet101、faster RCNN+inception+resnet101。各个模型的精度和计算所需时间如下。下面及介绍下如何使用Object Detection去训练自己的模型。

---

---

Step1 安装所需库和文件

Tensorflow Object Detection API 依赖以下库:
Protobuf 3.12
Pillow 1.0
lxml
tf Slim (which is included in the "tensorflow/models/research/"checkout)
Jupyter notebook
Matplotlib
Tensorflow

1、首先在D盘根目录下新建一个名为 tensorflow_gpu 的文件夹：

2、接着进入 tensorflow models下载页，下载模型。如果GitHub下载慢，推荐使用码云，使用方法参考教程

！！注意这里有个巨坑
models的版本必须和tensorflow的版本号一样，否则会报错，models的版本号在下图的位置可见

将下载的 models.zip 解压到刚创建的 D:\tensorflow_gpu 目录下，并把文件夹的名字改为 models，如下图所示：

回到 Anaconda Prompt 命令窗口，开始配置环境。
激活 tensorflow_gpu 虚拟空间，接着安装如下依赖包：

conda install -c anaconda protobuf

中间出现提问是否安装某些库，输入 y 然后回车。

继续安装依赖库：

pip install pillow lxml Cython jupyter matplotlib pandas opencv-python