本身电脑环境：Ubuntu16.04
1.Anaconda Python2.7
2.Tensorflow1.8
Tensorflow目标检测API是一个建立在Tensorflow上的开源框架，可以构建、训练和部署目标检测模型。
一、环境搭建
1）下载Google Object Detection API源码
在github(https://github.com/tensorflow/models)上下载项目到本地，解压，得到如下图所示文件。
2）Protobuf编译
Tensorflow Object Detection API使用Protobufs来配置模型和训练变量。切换到目录/models/research/，在终端输入：
cd ~/tensorflow/models/research/
protoc object_detection/protos/a/*.proto --python_out=.【附Windows环境Protobuf安装及配置】
在链接(http://github.com/google/protobuf/releases)下载protoc-3.4.0-win32.zip，解压后将bin文件夹中的'protoc.exe'放到C:\Windows\system32目录下。(下载3.5可能报错，需要把/*.proto改成文件夹下具体的文件名，再挨个运行)。
3）设置环境变量
/models/research/ 和 /models/research/slim 目录需要添加到PYTHONPATH环境变量中。打开终端，使用命令编辑 ~/.bashrc 文件，将下面的语句按照自身路径添加到末尾即可。
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim【附Windows环境变量设置】
在“系统变量”中新建名为‘PYTHONPATH’的变量，将/models/research及/models/research/silm两个文件夹的完整目录添加，分号隔开即可。
4）测试API是否安装成功
在models/research/下运行命令行，得到OK则成功。
python object_detection/builders/model_builder_test.py
二、测试自带案例
在models/research/object_detection/路径终端执行jupyter notebook，会自动调用浏览器，然后点开 object_detection_tutorial.ipynb，点击 “Cell”-"Run All"，运行后输出两张图片的识别结果。
此外，TensorFlow Object Detection
API中提供了多个可直接调用的识别模型，默认的是最简单的ssd+mobilenet模型。因此，可以在此基础上对代码进行适当修改，下图分别为更换图片和更改模型后的测试结果。
（更换图片）
（更改模型为mask_rcnn_inception_v2_coco_2018_01_28）
