致谢声明
本文在学习《Tensorflow object detection API 搭建属于自己的物体识别模型（2）——训练并使用自己的模型》的基础上优化并总结，此博客链接：https://blog.csdn.net/dy_guox/article/details/79111949，感谢此博客作者。
0.前言
本文作者的环境：python3.6、Windows10、tensorflow_gpu1.10
| 文章编号 | 文章名 | 链接 |
|---|---|---|
| 1 | 目标检测实践_tensorflow版SSD运行示例 | https://www.jianshu.com/p/c1d8f1c76de7 |
| 2 | 目标检测实践_tensorflow版SSD数据准备 | https://www.jianshu.com/p/3d9436b4cb66 |
| 3 | 目标检测实践_tensorflow版SSD训练自己的数据 | https://www.jianshu.com/p/0e5f9df4686a |
| 4 | 目标检测实践_tensorflow版SSD模型测试 | https://www.jianshu.com/p/7464c5e00716 |
现在桌面的目标检测文件夹中需要有object_detection工程文件夹和training数据文件夹，如下图所示：
如果没有的话，也没有关系。本文作者提供下载链接：
文件training.zip链接: https://pan.baidu.com/s/1Kgp9geSkTFVa_4tfc7ZPew 提取码: 9sy3
文件object_detection.zip的链接：https://pan.baidu.com/s/1Q9SxtKlOqEty08tpFeUUHA 提取码: p2sm
1.解决第1个报错
在桌面的目标检测文件夹中打开cmd，即在路径中输入cmd后按Enter键运行。
打开cmd的方式如下图所示：
在cmd中运行命令：
python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，运行结果如下图所示：
1.1 第1种解决方式
第1种解决方式是通过Windows界面点击操作。
如下图所示，按Windows+Q键可呼唤出搜索界面，在其中搜索环境变量。
点击下图中上方红色箭头标记处，进入编辑账户的环境变量。
新建一个系统变量，点击下图红色箭头标记处。
变量名为：
PYTHONPATH变量值如下图所示，读者填入1号方框中的路径与2号方框中的路径一致即可。
两项设置好后，点击下图红色箭头标记处所示的确定按钮。
点击下图红色箭头标记处所示的确定按钮，使设置生效。
1.2 第2种解决方式
使用cmd添加永久环境变量，适用于熟悉cmd命令的读者。
cmd中运行命令：setx -m PYTHONPATH "C:\Users\Administrator\Desktop\目标检测"
命令成功运行后，如下图所示：
2.解决第2个报错
在进行完第1章，成功添加环境变量后，需要在桌面的目标检测文件夹中重新打开cmd。
在cmd中运行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，运行结果如下图所示：
从上图可以看出，缺少pycocotools库，在linux系统中安装pycocotools库只需要运行命令：
pip install pycocotools但是在Windows上安装则复杂得多。
2.1 下载并安装Microsoft C++ build 14.0
本文作者花了2个小时研究有没有其他方法解决此报错，最终发现只有先安装C++的编译工具，才能在Windows系统上安装pycocotools库。
首先下载Microsoft C++ build 14.0，链接:https://go.microsoft.com/fwlink/?LinkId=691126
文件只有3M左右大小，下载完成如下图所示。
打开安装文件visualcppbuildtools.exe，初始化安装程序，如下图所示：
安装类型选择自定义，然后点击下一步，如下图红色箭头标记处所示。
选择功能只勾选Windows 10 SDK 10.0.10240，然后点击下一步，如下图所示：
点击下图红色箭头标记处所示的安装按钮，则开始安装。
安装过程中截图，如下图所示：
完成安装后，点击关闭即可。
2.2 下载并安装pycocotools
打开git页面，链接:https://github.com/philferriere/cocoapi
下载按钮的位置如下图所示，点击Download ZIP即可开始下载。
文件大小只有1.53M，下载完成如下图所示。
对压缩文件cocoapi-master.zip选择解压到当前文件夹。
进入文件夹cocoapi-master中的文件夹PythonAPI，在此文件夹下打开cmd，如下图所示。
在cmd中运行命令：
python setup.py build_ext install，如下图所示：
如果安装成功，则如下图所示：
3.解决第3个报错
进行完第2章后，需要在桌面的目标检测文件夹中重新打开cmd。
在cmd中运行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，运行结果如下图所示：
解决此报错，需要阅读本文作者的文章《目标检测第1步-运行tensorflow官方示例》中的第3章《proto文件转py文件》，文章链接：https://www.jianshu.com/p/c1d8f1c76de7
4.解决第4个报错
进行完第3章后，使用第3章中的cmd即可。
在cmd中运行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，运行结果如下图所示：
压缩文件models-master.zip下载链接: https://pan.baidu.com/s/1TnHvqNLT0JEZlugrdyABhQ 提取码: fnp3
将models-master/research/slim文件夹中的nets文件夹移动到
桌面的目标检测文件夹中，即文件夹object_detection同级目录。
因为models-master.zip大小为439M，但我们其实只要nets文件夹。
本文作者提供nets文件夹压缩后的压缩文件nets.zip。
下载链接: https://pan.baidu.com/s/1zRkn_TNRlPGAuwQHoO66EQ 提取码: 99s4
下载完成后，将nets文件夹解压到与object_detection相同目录，如下图所示：
5.解决第5个报错
进行完第4章后，使用第4章中的cmd即可。
在cmd中运行命令：python object_detection/model_main.py --pipeline_config_path=training/ssdlite_mobilenet_v2_coco.config --model_dir=training --alsologtostderr，运行结果如下图所示：
从上图中可以看出，本文作者使用的显卡是RTX 2070，显卡的显存为8G。
本文作者推荐如果要进行目标检测， 最少也需要配备版本为GTX 1060_显存6G的显卡，否则会出现显存不足。
从上图中可以看出，模型成功调用显卡，开始训练了。
但是训练经过一段时间后会报错，如下图所示：
解决方法：修改工程文件夹object_detection中的代码文件
model_lib.py如下图所示，找到第418行，将
category_index.values()修改为list(category_index.values())
修改代码文件
model_lib.py完成后，则可以在cmd中重新输入命令开启模型训练。模型训练稳定地进行一段时间后，会做一次模型评估，如下图所示。
所以如果读者看到下图中的情况，则说明模型训练很顺利。
6.查看模型训练状况
模型训练稳定地进行后，在桌面的目标检测文件夹中重新打开cmd。
在cmd中运行命令：tensorboard --logdir=training，如下图所示:
复制上图中红色箭头标记处的链接，粘贴到浏览器中即可访问。
注意：每台电脑的链接都不同，读者复制自己电脑cmd中显示的链接即可。
如果使用360浏览器，必须使用极速模式，不能使用兼容模式。
在浏览器中的界面如下图所示。
在SCALARS标签界面中可以查看准确率Precison、召回率Recall、损失值Loss等模型评估指标。
在IMAGES标签界面中可以查看实时的测试集效果。
在GRAPHS标签界面中可以查看模型的整体架构。
7.总结
1.本文详细介绍了在Windows操作系统的环境中如何训练自己的目标检测模型。
2.在本文作者的实践中，发现在Linux操作系统中训练速度会快很多。不明白为什么相同的代码，2种操作系统会导致运行效率的差异。如果读者有Linux的主机，本文作者建议为了工作效率，应该使用Linux主机做模型训练。
在Ubuntu16.04系统的训练速度如下图所示：
3.在测试集的图片中，有的图片目标检测效果较优，下面给出了2张演示图。
