在wondows10上用tensorflow2.x版本使用Object_Detection_API-（1）环境搭建与测试

网上对tensorflow object detection API的使用教程主要基于tensorflow1.x版本，现在tensorflow2.x版本已陆续发布，使用旧版本 的教程会有很多兼容性的问题，所以本人对tensorflow1.x版本的 object detection API进行了修改，使其可以使用2.x版本的tensorflow实现目标识别，并使用Lara交通信号灯数据集训练了交通信号灯识别器。

本篇首先完成环境搭建与测试

1 操作环境

网上已有大量安装以下环境的教程，此处不再赘述。

操作系统	Windows10
编译器	anaconda+pycharm+python3.6
tensorflow-gpu	2.4.1
CUDA	cuda_10.0.130_411.31_win10
cuDNN	cudnn-10.0-windows10-x64-v7.6.5.32

2 下载Object Detection API

从以下网址下载已解决了版本兼容问题的Tensorflow_Object_Detection_API目标识别库：https://github.com/CaimeiWang/Tensorflow2_Object_Detection_API_Train_TrafficLights_windows10/tree/main

将下载好的库解压，重命名为“model_master”，则“model_master”文件夹下存在以下三个文件夹：

然后下载faster_rcnn_inception_v2_coco_2018_01_28.tar.gz模型，解压到“model_master所在路径/model_master/research/object_detection”路径下的faster_rcnn_inception_v2_coco_2018_01_28文件夹；下载ssd_mobilenet_v1_coco_11_06_2017.tar.gz模型，解压到“model_master所在路径/model_master/research/object_detection”路径下的ssd_mobilenet_v1_coco_11_06_2017文件夹：

3 环境配置与测试

1）PYTHON环境变量：

在电脑系统变量里新建一个PYTHON变量指向\models_master,\models_master\research,和\models_master\research\slim目录，以下是我的路径：

注：以下叙述中将直接以我的地址进行叙述，大家使用时按照自己的地址进行替换（主要涉及model_master所在的路径）。

2）编译静态库文件：

Tensorflow要用静态库文件配置模型和训练参数，所以需要对静态库文件进行编译。打开电脑终端，将路径切换到\models_master\research：

(TensorflowGPU) D:\pycharm_community\tensorflow_object_detection_API\models_master\research>

然后运行以下命令：

protoc --python_out=. .\object_detection\protos\anchor_generator.proto .\object_detection\protos\argmax_matcher.proto .\object_detection\protos\bipartite_matcher.proto .\object_detection\protos\box_coder.proto .\object_detection\protos\box_predictor.proto .\object_detection\protos\calibration.proto .\object_detection\protos\center_net .\object_detection\protos\eval.proto .\object_detection\protos\faster_rcnn.proto .\object_detection\protos\faster_rcnn_box_coder.proto .\object_detection\protos\flexible_grid_anchor_generator.proto .\object_detection\protos\fpn.proto .\object_detection\protos\graph_rewriter.proto .\object_detection\protos\grid_anchor_generator.proto .\object_detection\protos\hyperparams.proto .\object_detection\protos\image_resizer.proto .\object_detection\protos\input_reader.proto .\object_detection\protos\keypoint_box_coder.proto .\object_detection\protos\losses.proto .\object_detection\protos\matcher.proto .\object_detection\protos\mean_stddev_box_coder.proto .\object_detection\protos\model.proto .\object_detection\protos\multiscale_anchor_generator.proto .\object_detection\protos\optimizer.proto .\object_detection\protos\pipeline.proto .\object_detection\protos\post_processing.proto .\object_detection\protos\preprocessor.proto .\object_detection\protos\region_similarity_calculator.proto .\object_detection\protos\square_box_coder.proto .\object_detection\protos\ssd.proto .\object_detection\protos\ssd_anchor_generator.proto .\object_detection\protos\string_int_label_map.proto .\object_detection\protos\ target_assigner.proto .\object_detection\protos\train.proto 

此时，.\object_detection\protos路径下的每一个name.proto文件都会生成一个name_pb2.py的文件：

最后，在D:\pycharm_community\tensorflow_object_detection_API\models_master\research（换成自己的）路径下运行以下命令：

(TensorflowGPU) D:\pycharm_community\tensorflow_object_detection_API\models_master\research>python setup.py build 
(TensorflowGPU) D:\pycharm_community\tensorflow_object_detection_API\models_master\research>python setup.py install

3）测试是否安装成功：

在pycharm中运行object_detection_tutorial.py文件，得到以下两张图则代表安装成功。

 

      

**可在代码中更改存在模型的文件夹名称以查看各种模型的识别效果。