mac上安装使用tf，并通过目标检测api进行识别

注意：这不是一篇教程，而是一个学习者的记录。

1. 最终使用了virtualenv的方式（遵循了tf官方的文档的推荐），但个人感觉使用native的pip方式应该更顺利。
2. 卸载掉了anaconda并重新使用pip方式安装了jupyter notebook。
3. 通过修改~/.bash_profile才使得jupyter notebook起作用；jupyter notebook --notebook-dir=/Users/testUser/Desktop/yourdir/ 改变notebook打开的目录。jupyter notebook --help可以查看支持的命令。
4. 使用了自带的python2.7进行了安装（此前尝试3.x遇到了一些包和版本兼容的问题未能一一解决，为了最简化最终选择了2.7，tf文档里面有很多默认的选项）。
5. 安装了tf1.10版本。
6. object detection api里面有行代码需要注释掉：

#if tf.__version__ < '1.4.0':
#  raise ImportError('Please upgrade your tensorflow installation to v1.4.* or later!')
复制代码

通过日志打印显示这里的版本正常，为'1.10.0',但这里判断却是小于（判断逻辑有错误），可能是python2.7的bug还是什么原因，这里确认自己版本没问题就简单注释掉就ok（没有深究，对python比较了解的同学可改之）。

7. 这个notebook有两个地方可以定制，可以下载图片到test_images文件夹下,代码里有一处要修改图片的数量；另外一个地方就是加载model的逻辑，可以下载自己需要的model放到目录下,MODEL_NAME=你的model的文件夹名字就可以了。

8.我这里尝试了3种模型，分别是ssd_mobnetv1、ssd_resnet50、faster_rcnn_incept_res_v2。其中前面两个是ssd的一阶段方法，后面那个基于region proposal的二阶段方法。结果显示2阶段方法的性能优势明显，1阶段方法差异不大。但2阶段耗时5-10倍左右，模型大小也超过mobnet的5倍以上。具体使用需要在满足应用限制条件的情况下（模型大小不超过xx,预测速度不超过xx毫秒）再选择性能较好的模型，并在其基础上进行训练和超参数调节。