tensorflow detection model zoo:
在這個鏈接當中哦有訓練好的checkpoint：
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
這里的模型是基於COCO dataset， Kitti dataset， Oepn Images dataset訓練好的模型，這些模型都可以用 out-of-the-box inference, 如果需要預測的類別都存在於COCO或者是open images當中。利用這些模型作為初始化模型來訓練新的數據集也是很好的。
每個pre-trained model 都包含以下的內容
- model name, 和用來訓練這個模型的samples/configs 文件目錄（這里說的是research/object_detection/目錄之下）config file對應的用來訓練這個模型的。
- tar.gz下載鏈接
- model speed: 與硬件相關，也與模型的版本相關
- detector 性能。基於mAP measure，越高越好
- 輸出types（Boxes， Masks)
un-tar file 可以通過
tar -xzvf ssd_mobilenet_v1_coco.tar.gz
在每個解壓文件中可以找到：
- graph proto（graph.pbtxt)
- checkpoint (model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta)
- frozen graph proto，在這個圖中，所有的權重的值都是通過constant形式存在的，所以不會在訓練的過程中被update(frozen_inference_graph.pb)，這個文件可以被載入用來作為out of the box inference（可以在jupyter notebook中實現）
- config file(pipline.config)用來產生graph，對應上面提到的configs文件目錄里面的同名文件，但是通常會修改score threshold。在一些heavier Faster R-CNN的模型當中，也會提供為了達到期望速度的而大量減少了proposals數目（這里應該指的就是候選的區域）的版本。
frozen inference graphs的備注：
（AP：average precison： 是precision/recall curve的總結，$$ AP = \frac{1}{11} \sum_{r \in {0,0.1,0.2,...,1} }P_{interp}(r) $$, 對應在recall=[0,0.1,...1]的時候，precision的均值。
- 當利用frozen inference graphs來評估的時候，結果會比官方提供哦的數據要低一點，因為在創建frozen graph的時候，丟棄了一些scores低於一個閾值（一般是0.3）的檢測。這樣有效的對應在detector的precision recall curve中選擇合適的點（並且丟棄在這個點過去的部分）（這里的意思值得是在precision recall curve中選擇一個合適得點，丟掉precision小於這個閾值得樣本嘛？），但是這樣會對標准得mAP得metric有副作用。
- 官方提示，這個frozen inference graph是基於Tensorflow v1.5.0版本得release，不能保證兼容於其他的版本。但是可以自己重新運行exporter部分來重新生成frozen inference graph。
這里基於COCO數據集的與訓練的model有：
ssd_mobilenet_v1，v2, ssdlite_mobilenet_v2, ssd_inception_v2, fast_RCNN基於resetnet，inception的，詳情參見上面的鏈接
kitti數據集只有一個與訓練模型
基於resnet101的faster_RCNN的model
open_image模型”
faster_rcnn de inception和resnet的集合
還有ava-model（這一部分不知道是什么）
基於resnet101的faster_RCNN的model