致謝聲明
本文在學(xué)習(xí)《Tensorflow object detection API 搭建屬于自己的物體識(shí)別模型（2）——訓(xùn)練并使用自己的模型》的基礎(chǔ)上優(yōu)化并總結(jié)，此博客鏈接：https://blog.csdn.net/dy_guox/article/details/79111949，感謝此博客作者。
0.前言
本文作者的環(huán)境：python3.6、Windows10、tensorflow_gpu1.10
| 文章編號(hào) | 文章名 | 鏈接 |
|---|---|---|
| 1 | 目標(biāo)檢測(cè)實(shí)踐_tensorflow版SSD運(yùn)行示例 | http://www.itdecent.cn/p/c1d8f1c76de7 |
| 2 | 目標(biāo)檢測(cè)實(shí)踐_tensorflow版SSD數(shù)據(jù)準(zhǔn)備 | http://www.itdecent.cn/p/3d9436b4cb66 |
| 3 | 目標(biāo)檢測(cè)實(shí)踐_tensorflow版SSD訓(xùn)練自己的數(shù)據(jù) | http://www.itdecent.cn/p/0e5f9df4686a |
| 4 | 目標(biāo)檢測(cè)實(shí)踐_tensorflow版SSD模型測(cè)試 | http://www.itdecent.cn/p/7464c5e00716 |
1.下載并解壓文件
在已經(jīng)閱讀并且實(shí)踐過(guò)前3篇文章的情況下，讀者會(huì)有一些文件夾。
因?yàn)槊總€(gè)讀者的實(shí)際操作不同，則文件夾中的內(nèi)容不同。
本文作者為了保持本篇文章的獨(dú)立性，制作了可以獨(dú)立運(yùn)行的文件夾目標(biāo)檢測(cè)。
本文作者對(duì)文件夾目標(biāo)檢測(cè)做了壓縮，形成的壓縮文件目標(biāo)檢測(cè).zip已經(jīng)上傳百度網(wǎng)盤。
鏈接: https://pan.baidu.com/s/1aL2WOZ_e9380caeJxbcYrQ 提取碼: fea6
壓縮文件目標(biāo)檢測(cè).zip只有60.8M，下載好后放在桌面，選擇提取到當(dāng)前位置。
現(xiàn)在桌面有1個(gè)文件夾目標(biāo)檢測(cè)，文件夾目標(biāo)檢測(cè)中有3個(gè)文件夾nets、object_detection、training。
文件夾training中含有訓(xùn)練了200000次的模型。
如下圖所示：
要求：讀者需要?jiǎng)h除自己的文件夾
object_detection，使用本文中的文件夾object_detection。原因：在文章《目標(biāo)檢測(cè)第3步-模型訓(xùn)練》中的文件夾
object_detection與本文中的文件夾object_detection有區(qū)別，但是因?yàn)闀r(shí)間較久，沒(méi)有找到修改的代碼文件。讀者自己的文件夾object_detection可能無(wú)法完成導(dǎo)出模型的操作
2.導(dǎo)出訓(xùn)練好的模型
在桌面的文件夾目標(biāo)檢測(cè)中，打開(kāi)cmd，如下圖所示：
即在
資源管理器的路徑中輸入cmd，按Enter鍵運(yùn)行。
2.1 添加環(huán)境變量
使用cmd添加永久環(huán)境變量，適用于熟悉cmd命令的讀者。
cmd中運(yùn)行命令：setx -m PYTHONPATH "C:\Users\Administrator\Desktop\目標(biāo)檢測(cè)"
命令成功運(yùn)行后，如下圖所示：
要保持下圖中的2個(gè)紅色方框內(nèi)容一致，路徑加雙引號(hào)可以增加命令的強(qiáng)壯性。
運(yùn)行成功會(huì)有提示
成功: 指定的值已得到保存，如下圖所示：
2.2 導(dǎo)出模型命令
在桌面的文件夾目標(biāo)檢測(cè)中，打開(kāi)cmd。
在cmd中運(yùn)行命令：python object_detection/export_inference_graph.py --input_type=image_tensor --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --trained_checkpoint_prefix=training/model.ckpt-200000 --output_directory=fish_inference_graph
運(yùn)行成功的結(jié)果如下圖所示：
在桌面的文件夾
目標(biāo)檢測(cè)中產(chǎn)生了文件夾fish_inference_graph，如下圖所示：
3. 下載測(cè)試數(shù)據(jù)
下載鏈接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取碼: 6p3u
壓縮文件n01440764.tar下載完成后，復(fù)制到桌面的文件夾目標(biāo)檢測(cè)中，解壓時(shí)選擇提取到"n01440764"。
進(jìn)行到此步，桌面的文件夾目標(biāo)檢測(cè)如下圖所示：
4.下載并運(yùn)行測(cè)試代碼
鏈接: https://pan.baidu.com/s/1Ym1cYFCnsj1JAYFACHFj_Q 提取碼: i3wn
代碼文件fish_detection.ipynb下載完成后，復(fù)制到桌面的文件夾目標(biāo)檢測(cè)中。
在桌面的文件夾目標(biāo)檢測(cè)中打開(kāi)cmd，如下圖所示：
在cmd中輸入并運(yùn)行命令：
jupyter notebook，如下圖所示：
瀏覽器會(huì)自動(dòng)打開(kāi)jupyter頁(yè)面，打開(kāi)代碼文件
fish_detection.ipynb，點(diǎn)擊下圖紅色箭頭所示標(biāo)注處：
在代碼文件中，依次運(yùn)行單元格中的代碼即可。
文件夾
n01440764中共有1300張圖片，測(cè)試圖片是隨機(jī)選的10張圖片。本文作者展示測(cè)試效果較好的2張圖片。
5.總結(jié)
1.這篇文章值得讀者花時(shí)間去實(shí)踐，因?yàn)楸疚淖髡呋撕芫脮r(shí)間才完成本篇文章的寫(xiě)作。
2.時(shí)間主要花費(fèi)在用最少的代碼文件完成模型導(dǎo)出和模型測(cè)試的效果。
3.目標(biāo)檢測(cè)給物體畫(huà)方框，方框線條的粗細(xì)和字體大小是一個(gè)需要花時(shí)間去學(xué)習(xí)的點(diǎn)。
