使用Tensorflow Object Detection的faster--rcnn模型检测自己的数据集

目前在使用最多人数，范围最广的深度学习模型中google开发的TensorFlow框架可以算上其中的姣姣者。本文章将使用TensorFlow开源框架来实现Faster Rcnn的物体检测。
源码下载地址：https://github.com/tensorflow/models/tree/master/research/object_detection

一.源码框架简介：

1.object detection

进入github中可以看到实现的功能非常多：

其中，official文件夹是官方例程API的集合，都已经经过了优化和稳定性测试。research文件夹是我们的重点，其中的object detection 是物体识别。object detection是基于slim模型分类后的目标识别。
research文件夹API如下：
adversarial_crypto：用对抗性神经密码术保护通信。
adversarial_text：带有对抗训练的半监督序列学习。
attention_ocr：用于实际图像文本提取的模型。
audioset：模型和与使用支持代码 AudioSet。
autoencoder：各种自动编码器。
brain_coder：强化学习的程序综合。
cognitive_mapping_and_planning：用于视觉导航的基于空间存储器的映射和规划架构的实现。
压缩：使用预先训练的残余GRU网络压缩和解压缩图像。
cvt_text：使用跨视图训练的半监督序列学习。
deep_contextual_bandits：使用深度神经网络和Thompson采样的各种上下文绑定算法的代码。
deep_speech：自动语音识别。
deeplab：语义图像分割的深度标注。
delf：用于图像匹配和检索的深层局部特征。
differential_privacy：训练数据的差异隐私。
domain_adaptation：域名分离网络。
fivo：过滤用于训练生成序列模型的变分目标。