coco数据集目标检测论文_tensorflow精进之路(二十四)——Object Detection API目标检测(中)（COCO数据集训练的模型—ssd_mobilenet_v1_coco模型）...

1、概述

上一讲简单的讲了目标检测的原理以及Tensorflow Object Detection API的安装，这一节继续讲Tensorflow Object Detection API怎么用。

2、COCO数据集介绍

COCO数据集是微软发布的一个可以用来进行图像识别训练的数据集，图像中的目标都经过精确的segmentation进行位置定位，COCO数据集包括90类目标。Object Detection API默认提供了5个预训练模型，都是使用COCO数据集训练的，分别为

SSD + MobileNet

Inception V2 + SSD

ResNet101 + R-CNN

ResNet101 + Faster R-CNN

Inception-ResNet V2 + Faster R-CNN

3、下载模型

这个例子中，我们使用基于COCO上训练的ssd_mobilenet_v1_coco模型对任意图片进行识别。打开以下链接，

下载第一个模型。然后，将其解压在object_detection目录下。接下来，写代码。

4、导入模块

首先在my_object_detection目录下新建文件demo1.py。

#encoding:utf-8

import tensorflow as tf

import numpy as np

import os

from matplotlib import pyplot as plt

from PIL import Image

from object_detection.utils import label_map_util

from object_detection.utils import visualization_utils as vis_utils

5、指定文件路径等

#下载下来的模型的目录

MODEL_DIR = 'object_detection/ssd_mobilenet_v1_coco_2018_01_28'

#下载下来的模型的文件

MODEL_CHECK_FILE = os.path.join(MODEL_DIR, 'frozen_inference_graph.pb')

#数据集对于的label

MODEL_LABEL_MAP = os.path.join('object_detection/data', 'mscoco_label_map.pbtxt')

#数据集分类数量，可以打开mscoco_label_map.pbtxt文件看看

MODEL_NUM_CLASSES = 90

#这里是获取实例图片文件名，将其放到数组中

PATH_TO_TEST_IMAGES_DIR = 'object_detection/test_images'

TEST_IMAGES_PATHS = [os.path.join(PATH_TO_TEST_IMAGES_DIR, 'image{}.jpg'.format(i)) for i in range(1, 6)]

#输出图像大小，单位是in

IMAGE_SIZE= (12, 8)

6、导入模型

tf.reset_default_graph()

#将模型读取到默认的图中

with tf.gfile.GFile(MODEL_CHECK_FI