Tensorflow Object Detection API

1 首先下载源码

https://github.com/tensorflow/models

2 按照官方说明文档安装 依赖库:

Tensorflow Object Detection API depends on the following libraries:

Protobuf 2.6
Pillow 1.0
lxml
tf Slim (which is included in the “tensorflow/models” checkout)
Jupyter notebook
Matplotlib
Tensorflow

(一般地:直接安装anacnonda基本这些库都会有,不过要手动安装tensoflow)

3 配置环境变量

models/research/ 和 slim 目录需要添加进 PYTHONPATH:
d:\tensorflow\models\research
d:\tensorflow\models\research\slim
(斜体部分按照你放置models文件夹的盘符来定。)

4 安装protoc

我下载的版本是protoc-3.3.0-win32.zip,解压后将bin文件夹中的【protoc.exe】放到C:\Windows

5 编译proto模型(重点)

进入目录:**/models/research/
在命令行下执行下面命令,protobuf 2.6不再支持文件名通配符,吐一下血,建议做个.bat文件,批量执行下述命令,同时将–proto_path中指定的目录添加进PATH环境变量。

【D:\tensorflow\要换成你的电脑放置models文件夹的盘符位置】

protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\anchor_generator.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\argmax_matcher.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\bipartite_matcher.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\box_coder.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\box_predictor.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\eval.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\faster_rcnn.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\faster_rcnn_box_coder.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\grid_anchor_generator.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\hyperparams.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\image_resizer.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\input_reader.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\keypoint_box_coder.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\losses.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\matcher.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\mean_stddev_box_coder.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\model.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\optimizer.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\pipeline.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\post_processing.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\preprocessor.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\region_similarity_calculator.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\square_box_coder.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\ssd.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\ssd_anchor_generator.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\string_int_label_map.proto
protoc --proto_path=D:\tensorflow\models\research\  --python_out=. D:\tensorflow\models\research\object_detection\protos\train.proto

6 检测模型安装成功

在 object_detection/builders/目录下,cmd命令行运行
运行python model_builder_test.py,检测是否安装成功
这里写图片描述

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值