序言
虽然tf1仍然在维护，但tf2毕竟是主流，如果不是项目有明确要求，建议直接选择tf2。本文以tf2为例展开，总结从环境准备到使用自己的数据和tensorflow预训练模型进行快速训练和调用。对tensorflow和目标检测算法有深入了解的，可以在此基础上，进行完全独立的模型搭建。tf1和tf2在目标检测API的使用上差异不算太大，文中会尽量单独列出。
一、数据准备
1、目标检测公开数据集
图像数据的收集及标注都是十分耗时的工作，因此，若只是单纯研究算法或存在场景高度重合的公开数据集，首选一定是使用公开数据集。在此列举几个常见的：
（1）coco数据集
全称：Microsoft Common Objects in Context，包含90种对象（80种大类），30万张图片，总共包含150万个对象。支持物体检测、分割、文字识别。
下载地址：
训练集：http://images.cocodataset.org/zips/train2017.zip
验证集：http://images.cocodataset.org/zips/val2017.zip
测试集：http://images.cocodataset.org/zips/test2017.zip
训练集和验证集的标注：http://images.cocodataset.org/annotations/annotations_trainval2017.zip
（不要尝试直接访问官网，网页加载很慢）
（2）wider face
用于人脸检测的数据集，包含32203个图像和393703个人脸图像。
下载地址：
WIDER FACE: A Face Detection Benchmark
（3）kitti
自动驾驶相关数据集，包含车辆、行人，交通标识的识别。
下载地址：
The KITTI Vision Benchmark Suite
图像相关数据集介绍，可以参考这位大神的文章，总结得很全面
图像数据库-CSDN博客
2、自行标注
（1）labelimg工具安装
如果以上数据无法覆盖实际业务场景，那就需要自行标注图片。这里介绍基于python开发的工具labelimg，使用pip install labelimg安装，然后执行labelimg即可打开。
（2）labelimg工具使用
（3）标注文件格式转换
如图，工具支持多种标注类型。有时候标注的类型不是我们想要的，需要进行转换（不可能重新标注）。常见的有YOLO(txt) ，VOC(xml)相互转换。
import os
import cv2
import xml.etree.ElementTree as ETdef txt_to_xml(input_txt_dir, output_xml_dir, image_dir, class_txt):# 获取txt文件的目录列表txt_files = os.listdir(input_txt_dir)# 获取图像的目录列表image_files = os.listdir(image_dir)image_infos = []for txt_file in txt_files:file_name, file_ext = os.path.splitext(txt_file)for image_file in image_files:images = []image_name, image_ext = os.path.splitext(image_file)if image_ext in ['.jpg', '.png', '.jpeg']:# 判断图像名是否与txt文件名相同if image_name == file_name:images.append(image_file)# 读取txt文件中的标注信息with open(os.path.join(input_txt_dir, txt_file), 'r') as f:bboxes = []for line in f.readlines():bbox_id, x_center, y_center, width, height = line.strip().split()x_center = float(x_center) # 相对坐标y_center = float(y_center) # 相对坐标width = float(width) # 相对坐标height = float(height) # 相对坐标bbox = (bbox_id, x_center, y_center, width, height)bboxes.append(bbox)images.append(bboxes)image_infos.append(images)# 获取标注框的类别列表class_names = []with open(class_txt, 'r') as classes:for class_name in classes.readlines():class_names.append(class_name.strip())# 遍历每个图像文件，获取图像的高度和宽度，并将标注信息写入XML文件for image_info in image_infos:image_file = image_info[0]image_name, image_ext = os.path.splitext(image_file)image_path = os.path.join(image_dir, image_file)img = cv2.imread(image_path)image_height, image_width, num_channels = img.shape[:3] # 获取图片的高度、宽度和通道数# 创建XML文件并写入标注信息with open(os.path.join(output_xml_dir, image_name + '.xml'), mode='a') as f:f.write('<annotation>\n')# 图像位置信息f.write('\t<filename>{}</filename>\n'.format(image_file))f.write('\t<path>{}</path>\n'.format(image_path))# 图像尺寸信息f.write('\t<size>\n')f.write('\t\t<width>{}</width>\n\t\t<height>{}</height>\n\t\t<depth>{}</depth>\n'.format(image_width,image_height,num_channels))f.write('\t</size>\n')# 图像类别、坐标信息bboxes = image_info[1]for bbox in bboxes:bbox_id, x_center, y_center, width, height = bboxxmin = (x_center * image_width) - (width * image_width) / 2 # 计算标注框左上角x坐标值ymin = (y_center * image_height) - (height * image_height) / 2 # 计算标注框左上角y坐标值xmax = (x_center * image_width) + (width * image_width) / 2 # 计算标注框右下角x坐标值ymax = (y_center * image_height) + (height * image_height) / 2 # 计算标注框右下角y坐标值f.write('\t<object>\n')f.write('\t\t<name>{}</name>\n'.format(class_names[int(bbox_id)].strip()))f.write('\t\t<pose>Unspecified</pose>\n')f.write('\t\t<truncated>0</truncated>\n')f.write('\t\t<difficult>0</difficult>\n')f.write('\t\t<bndbox>\n')f.write('\t\t\t<xmin>{}</xmin>\n\t\t\t<ymin>{}</ymin>\n\t\t\t<xmax>{}</xmax>\n\t\t\t<ymax>{}</ymax>\n'.format(int(xmin), int(ymin), int(xmax), int(ymax)))f.write('\t\t</bndbox>\n')f.write('\t</object>\n')f.write('</annotation>')def xml_to_txt(input_dir, output_dir, class_txt):# 获取所有XML文件列表xml_files = os.listdir(input_dir)# 获取标注框的类别列表class_names = []with open(class_txt, 'r') as classes:for class_name in classes.readlines():class_names.append(class_name.replace('\n', ''))# 遍历每个XML文件for xml_file in xml_files:# 获取文件名和扩展名file_name, file_ext = os.path.splitext(xml_file)# 确保是XML文件if file_ext == '.xml':# 解析XML文件并获取标注信息tree = ET.parse(os.path.join(input_dir, xml_file))root = tree.getroot()# 获取图像的最大宽度和高度max_width = float(root.find('size').find('width').text)max_height = float(root.find('size').find('height').text)# 获取标注框的坐标信息bndbox_coords = []for obj in root.findall('object'):bbox_type = obj.find('name').texttype_id = class_names.index(bbox_type)bndbox = obj.find('bndbox')xmin = float(bndbox.find('xmin').text)ymin = float(bndbox.find('ymin').text)xmax = float(bndbox.find('xmax').text)ymax = float(bndbox.find('ymax').text)bndbox_coords.append((type_id, xmin, ymin, xmax, ymax))# 计算YOLO所需的格式并写入输出文件with open(os.path.join(output_dir, file_name + '.txt'), 'w') as f:for coords in bndbox_coords:type_id, xmin, ymin, xmax, ymax = coordsx_center = (xmin + xmax) / 2 / max_width # x_center字段计算，相对坐标y_center = (ymin + ymax) / 2 / max_height # y_center字段计算，相对坐标width = (xmax - xmin) / max_width # width字段（相对宽）计算height = (ymax - ymin) / max_height # height字段（相对高）计算f.write('{} {:.6f} {:.6f} {:.6f} {:.6f}\n'.format(type_id, x_center, y_center, width, height)) 
二、环境准备及目标检测API安装
1、目标检测API安装
直接从github上拉或者去网页下载（压缩包解压后重命名为models）
git clone https://github.com/tensorflow/models.git将models下面的2个文件夹路径添加到python的环境变量，否则无法正常导入相关模块，因为这个模块并非通过pip安装的。
export PYTHONPATH=$PYTHONPATH:/your_path/models/research:/your_path/models/research/slim
2、基础环境准备
tf1要求python≥3.6、tensorflow≥1.15、protobuf compiler>3.0
tf2要求python≥3.6、tensorflow≥2.2、protobuf compiler>3.0
Protocol Buffers（通常简称为protobuf）的目的是为了序列化和反序列化数据结构，以便于数据的存储、传输和跨平台交换。这里重点介绍一下protobuf和其编译器protoc的安装。
（1）安装protobuf
pip install protobuf==3.20.0这将保证python能正确处理proto文件。
（2）下载protoc编译器
根据自己的环境选择相应版本，地址：
Releases · protocolbuffers/protobuf · GitHub
下载解压后将其bin路径添加到环境变量，如 vi ~/.bashrc
export PATH="/your_path/protoc/bin:$PATH"
（3）编译python接口
在……\models\research 目录开执行：
protoc object_detection/protos/*.proto --python_out=. 表示使用protoc编译.proto文件，它将.proto文件转换为python代码。
(4) 安装其他依赖
将……/models/research/object_detection/packages/tf2/setup.py复制到……/models/research
目录下，然后执行
python -m pip install .（5）验证
python object_detection/builders/model_builder_tf2_test.py如果正确显示了耗时，则安装成功。报错一般都是依赖缺失或版本冲突。
三、模型训练及调用
1、数据格式转换
（1）公开数据集格式转换
不同的框架都会对输入数据格式进行一定要求，tensorflow目标检测API要求数据格式为tf record，在models/research/object_detection/dataset_tools文件下下，提供了一些针对主要公开数据集的格式转换的代码。
①调用方法1
如代码提示，在终端中通过指定数据集和标注文件以及输出路径来运行程序
②调用方法2
也可以直接修改代码，在代码中指定相关路径，然后双击运行。
原始数据（下载解压后）
转换后
（2）转换自己的数据集
①基于labelimg标注的xml文件，先将其转换为csv文件，顺便做数据集划分。指定标注文件所在文件夹和输出的2个csv文件即可。
import glob
import pandas as pd
import xml.etree.ElementTree as ETdef xml_to_csv(path):xml_list = []# 读取注释文件for xml_file in glob.glob(path + '/*.xml'):tree = ET.parse(xml_file)root = tree.getroot()for member in root.findall('object'):value = (root.find('filename').text,int(root.find('size')[0].text),int(root.find('size')[1].text),member[0].text,int(member[4][0].text),int(member[4][1].text),int(member[4][2].text),int(member[4][3].text))xml_list.append(value)column_name = ['filename', 'width', 'height', 'class', 'xmin', 'ymin', 'xmax', 'ymax']# 将所有数据分为样本集和验证集，一般按照3:1的比例train_list = xml_list[0: int(len(xml_list) * 0.67)]eval_list = xml_list[int(len(xml_list) * 0.67) + 1:]# 保存为CSV格式train_df = pd.DataFrame(train_list, columns=column_name)eval_df = pd.DataFrame(eval_list, columns=column_name)train_df.to_csv('/image_identify/data/ad/csv/train.csv', index=False)eval_df.to_csv('/image_identify/data/ad/csv/eval.csv', index=False)path = '/image_identify/data/ad/anotations_xml'
xml_to_csv(path)②再将csv转tf_record，需要指定csv文件、图片路径以及输出路径。
from __future__ import division
from __future__ import print_function
from __future__ import absolute_importimport os
import io
import pandas as pd
# 如果本身就是tf1，直接导入即可
import tensorflow.compat.v1 as tf
from PIL import Image
from object_detection.utils import dataset_util
from collections import namedtupleflags = tf.app.flags
flags.DEFINE_string('csv_input', '', 'Path to the CSV input')
flags.DEFINE_string('output_path', '', 'Path to output TFRecord')
FLAGS = flags.FLAGS# 将分类名称转成ID号，根据自己实际打的标签进行修改
def class_text_to_int(row_label):if row_label == 'car':return 1elif row_label == 'people':return 2else:# 其他都归为一类return 3def split(df, group):data = namedtuple('data', ['filename', 'object'])gb = df.groupby(group)return [data(filename, gb.get_group(x)) for filename, x in zip(gb.groups.keys(), gb.groups)]def create_tf_example(group, path):print(os.path.join(path, '{}'.format(group.filename)))with tf.gfile.GFile(os.path.join(path, '{}'.format(group.filename)), 'rb') as fid:encoded_jpg = fid.read()encoded_jpg_io = io.BytesIO(encoded_jpg)image = Image.open(encoded_jpg_io)width, height = image.sizefilename = (group.filename + '.jpg').encode('utf8')image_format = b'jpg'xmins = []xmaxs = []ymins = []ymaxs = []classes_text = []classes = []for index, row in group.object.iterrows():xmins.append(row['xmin'] / width)xmaxs.append(row['xmax'] / width)ymins.append(row['ymin'] / height)ymaxs.append(row['ymax'] / height)classes_text.append(row['class'].encode('utf8'))classes.append(class_text_to_int(row['class']))tf_example = tf.train.Example(features=tf.train.Features(feature={'image/height': dataset_util.int64_feature(height),'image/width': dataset_util.int64_feature(width),'image/filename': dataset_util.bytes_feature(filename),'image/source_id': dataset_util.bytes_feature(filename),'image/encoded': dataset_util.bytes_feature(encoded_jpg),'image/format': dataset_util.bytes_feature(image_format),'image/object/bbox/xmin': dataset_util.float_list_feature(xmins),'image/object/bbox/xmax': dataset_util.float_list_feature(xmaxs),'image/object/bbox/ymin': dataset_util.float_list_feature(ymins),'image/object/bbox/ymax': dataset_util.float_list_feature(ymaxs),'image/object/class/text': dataset_util.bytes_list_feature(classes_text),'image/object/class/label': dataset_util.int64_list_feature(classes),}))return tf_exampledef main(csv_input, output_path, imgPath):writer = tf.python_io.TFRecordWriter(output_path)path = imgPathexamples = pd.read_csv(csv_input)grouped = split(examples, 'filename')for group in grouped:tf_example = create_tf_example(group, path)writer.write(tf_example.SerializeToString())writer.close()if __name__ == '__main__':imgPath = '/image_identify/data/ad/images'# 生成训练集output_path = '/image_identify/data/ad/tf_record/train.record'csv_input = '/image_identify/data/ad/csv/train.csv'main(csv_input, output_path, imgPath)# 生成验证集# output_path = '/image_identify/data/ad/tf_record/eval.record'# csv_input = '/image_identify/data/ad/csv/eval.csv'# main(csv_input, output_path, imgPath)
2、模型训练
（1）下载预训练模型
tf1的地址：
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md
tf2的地址：
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md
这个网页只提供了模型下载地址，不支持直接下载，可以使用tf自带的文件下载方法
自己注意url拼接正确。
import tensorflow as tf# 下载模型，并解压缩
def download_model(model_name):base_url = 'http://download.tensorflow.org/models/object_detection/tf2/20200713/'# 返回的是下载文件的路径model_dir = tf.keras.utils.get_file(fname=model_name,origin=base_url + model_name,# 是否需要解压untar=True) return str(model_dir)MODEL_NAME = 'centernet_hg104_512x512_coco17_tpu-8.tar.gz'
PATH_TO_MODEL_DIR = download_model(MODEL_NAME)
print(PATH_TO_MODEL_DIR)当然，也可以将url复制后，新开一个页面，输入链接后回车，也可以下载。
补充：标注文件的下载
# 下载标签
def download_labels(filename):base_url = 'https://raw.githubusercontent.com/tensorflow/models/master/research/object_detection/data/'label_dir = tf.keras.utils.get_file(fname=filename,origin=base_url + filename,untar=False)return str(label_dir)LABEL_FILENAME = 'mscoco_label_map.pbtxt'
# 下载 Label 对照表文件
PATH_TO_LABELS = download_labels(LABEL_FILENAME)（2）使用预训练模型进行训练
图像领域，一则数据量较大，二来大量的卷积也导致计算量较大。因此，使用预训练模型进行二次训练（结合自己的数据）是一个靠谱的路子（快速落地）。而这个地方tf1和tf2就有区别了
①针对tf2
编辑下载的模型文件中的pipline.config文件，修改其中关于数据集以及模型的路径相关部分。
检测类型要改成“detection”，ckpt-0表示临时文件的第0个，如果有多个，也可以指定其他。
在object_detection文件夹里找到model_main_tf2.py文件，同样的，可以按照说明去命令行调用，也可以跟我一样，修改代码，然后直接运行。
②针对tf1
在research/object_detection/samples/configs文件夹下找到和下载的模型对应的配置文件，修改其中关于模型路径以及训练、验证集的路径。当然，其他参数也可以调整。
再执行research/object_detection/legacy/train.py
python train.py \
--logtostderr \
--train_dir=your_path/output \
--pipeline_config_path=your_path/models/research/object_detection/samples/configs/faster_rcnn_inception_resnet_v2_atrous_coco.config注意，训练图像数据，最好有GPU支持。如果只是学习和测试，建议选择mobilenet等轻量网络，batch_size和num_steps可以设置小一点，否则，要么内存溢出要么等到天荒地老。
（3）训练完成后
训练完成后，在你指定的输出文件夹就生成了新的checkpoint文件
checkpoint转pb文件
在object_detection文件夹下找到exporter_main_v2.py文件，按照使用说明指定参数。
3、模型调用
上述训练生成的模型（也可以直接使用下载的模型）就可以用于预测验证了。不过，一般checkpoint只作为临时文件，正式部署都需要保存成pb文件。
（1）加载pb文件
# 图片 目标检测
import os
import tensorflow as tf
import warnings
import time
from object_detection.utils import label_map_util, config_util
from object_detection.utils import visualization_utils as viz_utils
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
from object_detection.builders import model_builderwarnings.filterwarnings('ignore')# GPU 设定为 记忆体动态调整 (dynamic memory allocation)
# 通过 tf.config.experimental.list_physical_devices，我们可以获得当前主机上某种特定运算设备类型（如 GPU 或 CPU ）的列表
gpus = tf.config.experimental.list_physical_devices('GPU')
for gpu in gpus:# 可以通过 tf.config.experimental.set_memory_growth 将 GPU 的显存使用策略设置为 “仅在需要时申请显存空间”tf.config.experimental.set_memory_growth(gpu, True)# GPU 设定为固定为 2GB
if gpus:tf.config.experimental.set_virtual_device_configuration(gpus[0],[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=1024*2)])MODEL_DATE = '20200711'
MODEL_NAME = 'centernet_hg104_1024x1024_coco17_tpu-32'
# 一般用keras下载下来的文件存储在"C:\Users\用户名\.keras" 下，linux在"/root/.keras"
PATH_TO_MODEL_DIR = '/root/.keras/datasets/centernet_hg104_1024x1024_coco17_tpu-32'PATH_TO_LABELS = '/root/.keras/datasets/mscoco_label_map.pbtxt'
# 建立 Label 的对照表 (代码与名称) 标签映射将索引号对应于类别名称，如5对应于飞机。
category_index = label_map_util.create_category_index_from_labelmap(PATH_TO_LABELS, use_display_name=True)# 测试图片
image_np = np.array(Image.open('../../data/images_Object_Detection/test.jpeg'))
# 转为 TensorFlow tensor
input_tensor = tf.convert_to_tensor(image_np)
# 加一维，变为 (批处理数, 宽, 高, 3通道颜色)
input_tensor = input_tensor[tf.newaxis, ...]"""加载模型方法1：Saved Model（包含完整的网络结构和权重等参数）"""# 从下载的目录载入模型
PATH_TO_SAVED_MODEL = PATH_TO_MODEL_DIR + "/saved_model"
print('载入模型...', end='')
start_time = time.time()
# 载入模型
detect_fn = tf.saved_model.load(PATH_TO_SAVED_MODEL)
elapsed_time = time.time() - start_time
print(f'共花费 0.0611 秒.')# 进行检测，信息包含：候选框, 类别, 机率
detections = detect_fn(input_tensor)
# 得到检测到的目标数
num_detections = int(detections.pop('num_detections'))
print(f'检测到的物件个数：{num_detections}')
# 转换数据类型
detections = {key: value[0, :num_detections].numpy() for key, value in detections.items()}
detections['num_detections'] = num_detections
detections['detection_classes'] = detections['detection_classes'].astype(np.int64)# 打印检测到的结果
print(f'物件资讯 (候选框, 类别, 机率)：')
for detection_boxes, detection_classes, detection_scores in \zip(detections['detection_boxes'], detections['detection_classes'], detections['detection_scores']):print(np.around(detection_boxes, 4), detection_classes, round(detection_scores*100, 2))image_np_with_detections = image_np.copy()
# 加框
viz_utils.visualize_boxes_and_labels_on_image_array(image_np_with_detections,detections['detection_boxes'],detections['detection_classes'],detections['detection_scores'],category_index, # 分类的映射use_normalized_coordinates=True, # 框的坐标是否为归一化的值max_boxes_to_draw=200, # 最多绘制多少框，不指定将会全部绘制min_score_thresh=.30, # 过滤概率过低的agnostic_mode=True) # 默认False，表示每个类别的边界框独立（不同的颜色、标注）plt.figure(figsize=(12, 8))
plt.imshow(image_np_with_detections, cmap='viridis')
saved_file = '../../data/images_Object_Detection/test._detection2.png'
# 删除旧文件
if os.path.isfile(saved_file):os.remove(saved_file)
plt.savefig(saved_file)
（2）加载checkpoint
# 图片 目标检测
import os
import tensorflow as tf
import warnings
import time
from object_detection.utils import label_map_util, config_util
from object_detection.utils import visualization_utils as viz_utils
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
from object_detection.builders import model_builderwarnings.filterwarnings('ignore')# GPU 设定为 记忆体动态调整 (dynamic memory allocation)
# 通过 tf.config.experimental.list_physical_devices，我们可以获得当前主机上某种特定运算设备类型（如 GPU 或 CPU ）的列表
gpus = tf.config.experimental.list_physical_devices('GPU')
for gpu in gpus:# 可以通过 tf.config.experimental.set_memory_growth 将 GPU 的显存使用策略设置为 “仅在需要时申请显存空间”tf.config.experimental.set_memory_growth(gpu, True)# GPU 设定为固定为 2GB
if gpus:tf.config.experimental.set_virtual_device_configuration(gpus[0],[tf.config.experimental.VirtualDeviceConfiguration(memory_limit=1024*2)])# 一般用keras下载下来的文件存储在"C:\Users\用户名\.keras" 下，linux在"/root/.keras"
PATH_TO_MODEL_DIR = '/root/.keras/datasets/centernet_hg104_1024x1024_coco17_tpu-32'PATH_TO_LABELS = '/root/.keras/datasets/mscoco_label_map.pbtxt'
# 建立 Label 的对照表 (代码与名称) 标签映射将索引号对应于类别名称，如5对应于飞机。
category_index = label_map_util.create_category_index_from_labelmap(PATH_TO_LABELS, use_display_name=True)# 测试图片
image_np = np.array(Image.open('../../data/images_Object_Detection/test.jpeg'))
# 转为 TensorFlow tensor
input_tensor = tf.convert_to_tensor(image_np)
# 加一维，变为 (批处理数, 宽, 高, 3通道颜色)
input_tensor = input_tensor[tf.newaxis, ...]"""加载模型方法2：Checkpoint（只包含权重信息，需要重新构建模型。一般是训练过程中临时保存，加载速度相对更快）"""
PATH_TO_CFG = PATH_TO_MODEL_DIR + "/pipeline.config"
PATH_TO_CKPT = PATH_TO_MODEL_DIR + "/checkpoint"# 计时开始
print('Loading model... ', end='')
start_time = time.time()
configs = config_util.get_configs_from_pipeline_file(PATH_TO_CFG)
model_config = configs['model']
detection_model = model_builder.build(model_config=model_config, is_training=False)
# 还原模型
ckpt = tf.compat.v2.train.Checkpoint(model=detection_model)
# 恢复变量当在其他地方需要为模型重新载入之前保存的参数时，需要再次实例化一个 checkpoint，同时保持键名的一致。再调用 checkpoint 的 restore 方法。
ckpt.restore(os.path.join(PATH_TO_CKPT, 'ckpt-0')).expect_partial()
elapsed_time = time.time() - start_time
print(f'共花费 0.0611 秒.')# # 任选一张图片进行物件侦测
# # 虽然默认的即时执行模式（Eager Execution）为我们带来了灵活及易调试的特性，但在特定的场合，例如追求高性能或部署模型时，我们依然希望
# # 使用 TensorFlow 1.X 中默认的图执行模式（Graph Execution），将模型转换为高效的 TensorFlow 图模型。此时，TensorFlow 2 为我们提供
# # 了 tf.function 模块，结合 AutoGraph 机制，使得我们仅需加入一个简单的 @tf.function 修饰符，就能轻松将模型以图执行模式运行。
@tf.function
def detect_fn(image):image, shapes = detection_model.preprocess(image)prediction_dict = detection_model.predict(image, shapes)detections = detection_model.postprocess(prediction_dict, shapes)return detections# 进行检测，信息包含：候选框, 类别, 机率
detections = detect_fn(input_tensor)
# 得到检测到的目标数
num_detections = int(detections.pop('num_detections'))
print(f'检测到的物件个数：{num_detections}')
# 转换数据类型
detections = {key: value[0, :num_detections].numpy() for key, value in detections.items()}
detections['num_detections'] = num_detections
detections['detection_classes'] = detections['detection_classes'].astype(np.int64)# 打印检测到的结果
print(f'物件资讯 (候选框, 类别, 机率)：')
for detection_boxes, detection_classes, detection_scores in \zip(detections['detection_boxes'], detections['detection_classes'], detections['detection_scores']):print(np.around(detection_boxes, 4), detection_classes, round(detection_scores*100, 2))image_np_with_detections = image_np.copy()
# 加框
viz_utils.visualize_boxes_and_labels_on_image_array(image_np_with_detections,detections['detection_boxes'],detections['detection_classes'],detections['detection_scores'],category_index, # 分类的映射use_normalized_coordinates=True, # 框的坐标是否为归一化的值max_boxes_to_draw=200, # 最多绘制多少框，不指定将会全部绘制min_score_thresh=.30, # 过滤概率过低的agnostic_mode=True) # 默认False，表示每个类别的边界框独立（不同的颜色、标注）plt.figure(figsize=(12, 8))
plt.imshow(image_np_with_detections, cmap='viridis')
saved_file = '../../data/images_Object_Detection/test._detection2.png'
# 删除旧文件
if os.path.isfile(saved_file):os.remove(saved_file)
plt.savefig(saved_file)
（3）检测效果示例
