流行的目标识别网络(SSD,Faster Rcnn)识别出图片目标之后，连接slim之后导出的pb模型进行细粒度测试，批量多张图片进行检测(而非单张)

  这里的代码相当于一个接口，将图片中目标物体的位置信息输入进行细粒度分类，它可以连接流行的网络:SSD,Faster Rcnn等，将识别的图片输入，再根据slim的fine-tuning模型进行细粒度划分。
  其中，cut_image函数是用于对输入的整张图片根据目标位置进行分割保存的，xmin,ymin,xmax,ymax分别是目标物体的左上角和右下角的坐标，abspath_demo_image是输入整张图片的位置目录，abspath_test_classify是对整张图片上的目标根据坐标位置分割后的目录，image_name是图片的名字前缀(例如:130.jpg，image_name就是130),i是表示图片上的第几个目标。当要使用此函数是只需要调用此函数并传入相应的参数即可。
  函数init_tf是初始化导入模型
  类NodeLookup是将标签对应的ID值转换便于识别的内容
  函数evaluate_image是进行目标图片的具体识别分类
  函数vis_classify：首先调用函数init_tf()函数进行导入模型，这里等于只导入一次，避免了重复导入时的内存得不到及时的释放，而产生内存爆炸，程序”已杀死“的错误。然后开始将识别出的图片内容保存成json字符串存入相应的txt文本。
  因为我是识别的鸟类信息，所以中间一直写的鸟的相关字符串

import cv2
import os,time
import json
import numpy as np
impor