TensorFlow Object Detection API 介绍

熟悉TensorFlow的人都知道，tf在Github上的主页是：tensorflow，然后这个主页下又有两个比较重要的repo（看star数就知道了），分别是TensorFlow的源代码repo：tensorflow/tensorflow，还有一个tensorflow/models。后者tensorflow/models是Google官方用TensorFlow做的各种各样的模型，相当于示例代码，比如用于图像分类的Slim，深度文字OCR，以及用于NLP任务的句法分析模型syntaxnet，Seq2Seq with Attention等等等等。这次公布的Object Detection API同样是放在了tensorflow/models里。
再来说下这次公布的代码的实现方式。首先，对于目标检测这个任务来说，前面必须有一个像样的ImageNet图像分类模型来充当所谓的特征提取（Feature Extraction）层，比如VGG16、ResNet等网络结构。TensorFlow官方实现这些网络结构的项目是TensorFlow Slim，而这次公布的Object Detection API正是基于Slim的。Slim这个库公布的时间较早，不仅收录了AlexNet、VGG16、VGG19、Inception、ResNet这些比较经典的耳熟能详的卷积网络模型，还有Google自己搞的Inception-Resnet，MobileNet等。
我们在TensorFlow Object Detection API的官方安装指南（地址：tensorflow/models）中，可以看到这样一句代码：

From tensorflow/models/

export PYTHONPATH=$PYTHONPATH:pwd:pwd/slim

很显然，这就是钦点用Slim作特征抽取了。
另外，以Faster RCNN为例，之前在github上，可以找到各种各样非官方的TensorFlow实现，但是这些实现使用的特征抽取层都不是Slim，而是五花八门的什么都有，另外一方面实现代码大量copy自原始的caffe的实现：rbgirshick/py-faster-rcnn，这次公布的代码里已经一点也找不到原始caffe实现的痕迹了。最后，原来非官方的Object Detection实现的质量参差不齐，去年我调过一个Faster RCNN，过程比较痛苦，在运行之前疯狂debug了三天才勉强跑了起来。这次Google官方公布的Object Detection API别的不说，代码质量肯定是过的去的，因此以后应该不会有人再造TensorFlow下Faster RCNN、R-FCN、SSD的轮子了。
说完了代码，再简单来说下公布的模型。主要公布了5个在COCO上训练的网络。网络结构分别是SSD+MobileNet、SSD+Inception、R-FCN+ResNet101、Faster RCNN+ResNet101、Faster RCNN+Inception_ResNet。后期应该还会有更多的模型加入进来。

————————————–分割线———————————-
最后，给新手朋友提供一个可以跑出官方Demo效果的小教程，非常简单，用5分钟的时间就可以跑一遍感受一下，只要安装了TensorFlow就可以，有没有GPU都无所谓。
1. 安装或升级protoc
首先需要安装或升级protoc，不然在后面会无法编译。
安装/升级的方法是去protobuf的Release界面：google/protobuf，下载对应的已经编译好的protoc。

比如我是64位的ubuntu，那么就下载protoc-3.3.0-linux-x86_64.zip。下载解压后会有一个protoc二进制文件，覆盖到对应目录即可（如果不放心的可以用cp /usr/bin/protoc ~/protoc_bak先备份一下）：
sudo cp bin/protoc /usr/bin/protoc

1. 下载代码并编译
   下载tensorflow/models的代码：
   git clone https://github.com/tensorflow/models.git

进入到models文件夹，编译Object Detection API的代码：

From tensorflow/models/

protoc object_detection/protos/*.proto –python_out=.

1. 运行notebook demo
   在models文件夹下运行：
   jupyter-notebook

访问文件夹object_detection，运行object_detection_tutorial.ipynb：

依次shift+enter运行到底就行了。这个Demo会自动下载并执行最小最快的模型ssd+mobilenet。
最后的检测效果，一张是汪星人图片：

1. 使用自己的图片做检测
   如果要检测自己的图片，那么更改TEST_IMAGE_PATHS为自己的图片路径就可以了。这里我随便选了一张COCO数据集中的图片：
   TEST_IMAGE_PATHS=[‘/home/dl/COCO_train2014_000000000009.jpg’]
   
   检测结果：

2. 使用其他模型做检测
   一共公布了5个模型，上面我们只是用最简单的ssd + mobilenet (ssd_mobilenet_v1_coco_11_06_2017)模型做了检测，如何使用其他模型呢？找到Tensorflow detection model zoo（地址：tensorflow/models），根据里面模型的下载地址，我们只要分别把MODEL_NAME修改为以下的值，就可以下载并执行对应的模型了：
   MODEL_NAME = ‘ssd_inception_v2_coco_11_06_2017’

MODEL_NAME = ‘rfcn_resnet101_coco_11_06_2017’

MODEL_NAME = ‘faster_rcnn_resnet101_coco_11_06_2017’

MODEL_NAME = ‘faster_rcnn_inception_resnet_v2_atrous_coco_11_06_2017’