Ubuntu 安装 TensorFlow object detection API (MS COCO, The Open Images Dataset)

本文用于记录tensorflow object detection api的安装与使用，主要包括COCO 数据集和更大的The Open Images Dataset数据集，以便将来快速查找。

主要步骤为：

1. 下载代码 (https://github.com/tensorflow/models)
   使用zip压缩包下载，将“models-master”修改为“models”
2. 创建并激活conda环境：

	conda create -n tfapi python=3.6 tensorflow-gpu=1.12.0

安装tensorflow-gpu（2019/8/24 jupyter测试代码中要求使用1.12.0及以上版本）
可能出现cuda 与 tensorflow的版本匹配问题，可参考tensorflow各个版本的CUDA以及Cudnn版本对应关系进行选择
3. 安装其他依赖包
pillow，lxml，Cython，jupyter，matplotlib，pandas，opencv-python

	pip install 依赖包名称

可能出现cuda 与 tensorflow的版本匹配问题，可参考tensorflow各个版本的CUDA以及Cudnn版本对应关系进行选择

此步可能提示版本不匹配问题，根据提示更改即可。
4. 安装protoc
打开网址https://github.com/protocolbuffers/protobuf/releases，根据自己的ubuntu位数，下载想要的包，我这里下载的是protoc-3.14.0-linux-x86_64.zip。

下载后解压，执行如下命令：

	sudo cp bin/protoc /usr/bin/protoc

编译proto文件
#在models/research下运行

	protoc object_detection/protos/*.proto --python_out=.

运行完成后，可以检查object_detection/protos/文件夹，如果每个proto文件都成了对应的以py为后缀的python源码，就说明编译成功了。
5. 将slim加入PATHPATH
（1）在models/research/slim中找到setup.py,执行以下命令：

	python setup.py build
	python setup.py install

（2）将slim加入PYTHONPATH，输入命令如下:

	sudo gedit ~/.bashrc

在打开的文件最下方输入：
pwd: 指的是slim所在的绝对路径

	export PYTHONPATH=$PYTHONPATH:'pwd':'pwd'/slim

使得~/.bashrc的修改生效：

	source  ~/.bashrc

执行import slim成功则说明已经正确设置好了。

6. 运行models/research下的setup.py

	python setup.py build
	python setup.py install

安装完成测试
在models/research下运行如下命令：

	python object_detection/builders/model_builder_test.py

出现如下信息，说明已安装成功：

7. 安装COCO API

	git clone https://github.com/cocodataset/cocoapi.git

	cd cocoapi/PythonAPI
	python setup.py build
	python setup.py install

8. 执行已经训练好的模型
   在research文件夹下运行命令：jupyter notebook，接着在jupyter中打开object_detection文件夹，并单击object_detection_tutorial.ipynb运行试例文件。
   1）安装环境直接使用
   2）转换成.py文件，本地使用，删除get_ipython()之类的代码，删除 Instance Segmentation部分的代码。
   3）Error: load() missing 2 required positional arguments: ‘tags’ and ‘export_dir’
   解决办法，删除1.x老版的TensorFlow，更新为2.x

	pip uninstall tensorflow
	pip install tensorflow-gpu==2.0

4）Segmentation fault或者 Process finished with exit code 139。 GPU现存溢出，可以使用CPU版本的TensorFlow做inference。
解决方法：将tensorflow-gpu的版本从2.x降低到1.15即可使用GPU加速。

tensorflow-gpu==2.0 时不能GPU加速，会报错Segmentation fault，但是在运行object_detection_tutorial.ipynb时，需要2.0才不会报错load() missing 2 required positional arguments: 'tags' and 'export_dir'

tensorflow-gpu==1.15.0 时可以使用GPU加速，但是运行object_detection_tutorial.ipynb时，会报错load() missing 2 required positional arguments: 

5）ImportError: No module named tensorflow.compat.v1 解决方法：更新TensorFlow版本，例如更到1.15 或者 2.x。

运行所有代码后的结果如下：

9. 使用Open Images Dataset 预训练模型
   （1）将PATH_TO_LABELS替换

PATH_TO_LABELS = "models/research/object_detection/data/oid_v4_label_map.pbtxt"

（2）将代码中的model替换

	 model_name = "faster_rcnn_inception_resnet_v2_atrous_oid_v4_2018_12_12"

删除Instance Segmentation模块，只留下Object Detection部分。

11. 编译及测试
    参见：Ubuntu18.04下安装TensorFlow Object Detection API

运行jupyter notebook测试时，未能绘制图像，问题及解决方法参考：

解决问题：UserWarning: Matplotlib is currently using agg, which is a non-GUI backend.
执行代码，没有弹出图像窗口，提示下面的内容

训练自己的数据集, TensorFlow Object Detection API 技术手册（6）——模型文件配置及模型训练添加链接描述

参考：
1-Ubuntu18.04下安装TensorFlow Object Detection API
2-tensorflow object detection api 详细实践教程
3-ubuntu18.04 tensorflow object detection api 安装