详细的Object_detection api调用步骤，扎实踩过tensorflow应用时的那些坑

       Tensorflow为目标检测提供了很好的api，但其调用过程却涉及到环境设置、数据准备等各方面，比较繁杂。本文在ubuntu系统，以tensorflow 1.7为环境，逐步介绍api调用过程的每一个细节，如果小白刚接触这一块，可以按本文逐步实施，训练自己的数据，并得到网络和结果，开始object detection的第一步。（感谢魅哥的友情指导。文章中也引用了其他大侠提供的程序，在此一并表示感谢。）

1.从GitHub上下载Tensorflow的Object Detection API，地址是（http://github.com/tensorflow/model）,可以通过git下载（命令 git clone http://github.com/tensorflow/model.git），也可以通过Tortoise来下载。需要注意的是，Tensorflow目前在GitHub上就一个链接，需要到官网去下载。最好翻墙出去，不然速度非常慢。（也可以到收集的程序目录中去直接拷贝）

2.下载完毕后，会有一个models文件夹，下面有一个research文件夹。之后的操作以research为根目录，设置的都是相对路径。

3.下载protoc的2.6以上版本，下载地址 https://github.com/google/protobuf/releases，注意下载版本要和系统信息匹配。

4.使用protoc对proto文件进行编译，目的是把research/object_detection/protos目录下的.proto文件编译成.py文件。在系统CMD下执行命令 protoc object_detection/protos/*.proto --python_out=. 

运行完成后，在research/object_detection/protos目录下，每一个 .proto文件都会生成对应的.py文件。

5.将Slim文件夹添加到系统的系统的PYTHONPATH环境变量当中。输入命令vim ~/.bashrc 进入文件进行编辑（按i键进入修改模式），输入命令 export PYTHONPYTH='/home/pc/Deep-Learning-21-Examples-master/chapter_5/research/slim'，当然，绝对路径自行修改（Esc退出文件, :wq保存）。之后再 source ~/.bashrc 保存设置。可以通过 echo $PYTHONPATH 查看环境变量。

添加环境变量之后，可以通过  python object_detection/builders/model_builder_test.py 进行分测试。

6. 开始训练新的模型，首先是数据准备。

（1）将新的数据集按照 Pascal VOC的格式，拷到object_detection目录下，以ROS1文件夹为例。

数据集文件夹的内部结构为

数据集放在VOCdevkit文件夹下，RSDS2016文件夹的名称可以改，但必须要和.xml文件中的描述一致，不然会报错。

    

另外在/research/object_detection的create_pascal_tf_record.py文件中，也需要对years参数进行调整

 

RSDS2016/ 目录下包含三个文件夹，其中JPEGImages/ 是数据集的图片，Annotations/ 是数据集的标签（xml文件），ImageSets/ 目录下有一个Main文件夹，再往下是四个文件夹，包含了训练数据和测试数据的分类信息，也是程序运行时首先读取的数据。

（2）这四个文件在数据集中通常是没有的，需要自己来生成。有file_text.py文件，需要设置其中的绝对路径和比例。该文件放在object_detection目录下。

# -*- coding:utf-8 -*-

'''

    该代码是将数据转为VOC2007，ImageSets里所有文件

'''



import os

__author__ ='chendingxin'

_IMAGE_SETS_PATH= '/home/pc/abc/research/object_detection/RED/VOCdevkit/RSDS2016/ImageSets'

_MAin_PATH ='/home/pc/abc/research/object_detection/RED/VOCdevkit/RSDS2016/ImageSets/Main'

_XML_FILE_PATH= '/home/pc/abc/research/object_detection/R