python物体识别初始模型_利用Python轻松实现TensorFlow物体检测！

“ 让我们学会，如何在城市求生！”

TensorFlow 是如何运作的呢? 它的整个解决方案是基于张量进行的，张量是 TensorFlow 的原始单元。TensorFlow 使用一个张量数据结构来表示所有数据。

在数学中，张量是描述其他几何对象之间的线性关系的几何对象。在 TesnsorFlow 中，它们是多维数组或数据，比如矩阵。其实它并不像这样简单， 但这就是我现在想说的深入线性代数的整个张量的概念。

无论如何，我们可以把张量看作是 n 维阵列，对它使用矩阵运算是简单且有效的。例如，在下面的代码中，我们定义了两个常量张量，并将一个值添加到另一个上。

这就是整个张量概念在线性代数中，我们都知道，常量的值是不变的。而 TensorFlow 拥有丰富的 API，它的文档也很齐全，我们可以使用它定义其他类型的数据，比如变量。

除了张量之外，TensorFlow 还使用数据流图。图中的节点表示数学运算，边表示在它们之间通信的张量。

Google发布了新的TensorFlow物体检测API，包含了预训练模型，一个发布模型的jupyter notebook，一些可用于使用自己数据集对模型进行重新训练的有用脚本。

使用该API可以快速的构建一些图片中物体检测的应用。这里我们一步一步来看如何使用预训练模型来检测图像中的物体。

首先我们载入一些会使用的库：

接下来进行环境设置：

物体检测载入：

准备模型：

任何使用export_inference_graph.py工具输出的模型可以在这里载入，只需简单改变PATH_TO_CKPT指向一个新的.pb文件。这里我们使用“移动网SSD”模型。

下载模型：

载入标签图：

标签图将索引映射到类名称，当我们的卷积预测5时，我们知道它对应飞机。这里我们使用内置函数，但是任何返回将整数映射到恰当字符标签的字典都适用。

辅助代码：

实现检测：

在载入模型部分可以尝试不同的侦测模型以比较速度和准确度，将你想侦测的图片放入TEST_IMAGE_PATHS中运行即可。