熟悉TensorFlow的人都知道，tf在Github上的主頁是：tensorflow，然後這個主頁下又有兩個比較重要的repo（看star數就知道了），分別是TensorFlow的源代碼repo：tensorflow/tensorflow，還有一個tensorflow/models。後者tensorflow/models是Google官方用TensorFlow做的各種各樣的模型，相當於示例代碼，比如用於圖像分類的Slim，深度文字OCR，以及用於NLP任務的句法分析模型syntaxnet，Seq2Seq with Attention等等等等。這次公佈的Object Detection API同樣是放在了tensorflow/models裏。
再來說下這次公佈的代碼的實現方式。首先，對於目標檢測這個任務來說，前面必須有一個像樣的ImageNet圖像分類模型來充當所謂的特徵提取（Feature Extraction）層，比如VGG16、ResNet等網絡結構。TensorFlow官方實現這些網絡結構的項目是TensorFlow Slim，而這次公佈的Object Detection API正是基於Slim的。Slim這個庫公佈的時間較早，不僅收錄了AlexNet、VGG16、VGG19、Inception、ResNet這些比較經典的耳熟能詳的卷積網絡模型，還有Google自己搞的Inception-Resnet，MobileNet等。
我們在TensorFlow Object Detection API的官方安裝指南（地址：tensorflow/models）中，可以看到這樣一句代碼：
From tensorflow/models/
export PYTHONPATH=$PYTHONPATH:pwd:pwd/slim
很顯然，這就是欽點用Slim作特徵抽取了。
另外，以Faster RCNN爲例，之前在github上，可以找到各種各樣非官方的TensorFlow實現，但是這些實現使用的特徵抽取層都不是Slim，而是五花八門的什麼都有，另外一方面實現代碼大量copy自原始的caffe的實現：rbgirshick/py-faster-rcnn，這次公佈的代碼裏已經一點也找不到原始caffe實現的痕跡了。最後，原來非官方的Object Detection實現的質量參差不齊，去年我調過一個Faster RCNN，過程比較痛苦，在運行之前瘋狂debug了三天才勉強跑了起來。這次Google官方公佈的Object Detection API別的不說，代碼質量肯定是過的去的，因此以後應該不會有人再造TensorFlow下Faster RCNN、R-FCN、SSD的輪子了。
說完了代碼，再簡單來說下公佈的模型。主要公佈了5個在COCO上訓練的網絡。網絡結構分別是SSD+MobileNet、SSD+Inception、R-FCN+ResNet101、Faster RCNN+ResNet101、Faster RCNN+Inception_ResNet。後期應該還會有更多的模型加入進來。
————————————–分割線———————————-
最後，給新手朋友提供一個可以跑出官方Demo效果的小教程，非常簡單，用5分鐘的時間就可以跑一遍感受一下，只要安裝了TensorFlow就可以，有沒有GPU都無所謂。
1. 安裝或升級protoc
首先需要安裝或升級protoc，不然在後面會無法編譯。
安裝/升級的方法是去protobuf的Release界面：google/protobuf，下載對應的已經編譯好的protoc。
比如我是64位的ubuntu，那麼就下載protoc-3.3.0-linux-x86_64.zip。下載解壓後會有一個protoc二進制文件，覆蓋到對應目錄即可（如果不放心的可以用cp /usr/bin/protoc ~/protoc_bak先備份一下）：
sudo cp bin/protoc /usr/bin/protoc
- 下載代碼並編譯
下載tensorflow/models的代碼：
git clone https://github.com/tensorflow/models.git
進入到models文件夾，編譯Object Detection API的代碼：
From tensorflow/models/
protoc object_detection/protos/*.proto –python_out=.
- 運行notebook demo
在models文件夾下運行：
jupyter-notebook
訪問文件夾object_detection，運行object_detection_tutorial.ipynb：
依次shift+enter運行到底就行了。這個Demo會自動下載並執行最小最快的模型ssd+mobilenet。
最後的檢測效果，一張是汪星人圖片：
使用自己的圖片做檢測
如果要檢測自己的圖片，那麼更改TEST_IMAGE_PATHS爲自己的圖片路徑就可以了。這裏我隨便選了一張COCO數據集中的圖片：
TEST_IMAGE_PATHS=[‘/home/dl/COCO_train2014_000000000009.jpg’]
檢測結果：使用其他模型做檢測
一共公佈了5個模型，上面我們只是用最簡單的ssd + mobilenet (ssd_mobilenet_v1_coco_11_06_2017)模型做了檢測，如何使用其他模型呢？找到Tensorflow detection model zoo（地址：tensorflow/models），根據裏面模型的下載地址，我們只要分別把MODEL_NAME修改爲以下的值，就可以下載並執行對應的模型了：
MODEL_NAME = ‘ssd_inception_v2_coco_11_06_2017’
MODEL_NAME = ‘rfcn_resnet101_coco_11_06_2017’
MODEL_NAME = ‘faster_rcnn_resnet101_coco_11_06_2017’
MODEL_NAME = ‘faster_rcnn_inception_resnet_v2_atrous_coco_11_06_2017’