參考：
https://blog.csdn.net/dy_guox/article/details/79081499
https://blog.csdn.net/u010103202/article/details/79899293
https://www.jianshu.com/p/4ebaa78e0233
一、開發環境搭建
操作系統：Windows10 64位
TensorFlow：1.8
python：3.5
1.安裝tensorflow_gpu版本的環境：
1）安裝.Net Framework4.6
下載頁面的鏈接為：https://www.microsoft.com/en-us/download/details.aspx?id=53344
下載頁面如下圖所示，點擊下圖紅色箭頭標注處即可開始下載：
點擊Download按鈕，其實是向資源鏈接發起請求，所以直接訪問資源鏈接同樣可以開始下載任務。
下載鏈接：https://www.microsoft.com/en-us/download/confirmation.aspx?id=53344
下載好直接雙擊，一路next
2）安裝CUDA9.0
下載見：https://www.jianshu.com/p/c73668544925
安裝默認路徑就好，一路下一步，如果提示兼容性不兼容請無視，安裝模式選擇精簡，下一步勾選下圖中的上方紅色方框標注處，然后NEXT按鈕會亮起。
點擊下圖中的下方紅色箭頭標注處中的NEXT按鈕，進入下一步。
注意： 對應的顯卡驅動，如果驅動較新，在安裝CUDA的時候會有提示可能不兼容，可以無視。
接下來就等待安裝就好，結束界面中兩個可選項不用勾選。
點擊下圖中的下方紅色箭頭標注處中的關閉，安裝CUDA9.0結束。。
3）安裝cudnn7.3
下載見：https://www.jianshu.com/p/4ebaa78e0233
下載后解壓，將文件夾cuda中有3個文件夾：bin、include、lib，和1個文件NVIDIA_SLA_cuDNN_Support.txt復制粘貼到CUDA安裝路徑下
本文作者的CUDA安裝路徑：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
4）安裝tensorflow_gpu
第一種方法
下載見：https://www.jianshu.com/p/4ebaa78e0233
運行pip install命令安裝本地WHL文件
在放tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl的文件夾打開cmd，在cmd中輸入命令：pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl，然后按Enter鍵運行命令。
最后出現Successfully開頭即為成功。
第二種方法：
Tensorflow有CPU版本與GPU版本，首先安裝CPU版本。采用pip原生安裝。“開始-Anaconda3-Anaconda Prompt”調出命令行。
pip install --upgrade tensorflow然后安裝GPU版本。此過程中有報錯，
先運行conda install pip更新pip程序即可。
pip install --upgrade tensorflow-gpu
運行pip install命令安裝msgpack庫
考慮到部分讀者可能沒有安裝運行tensorflow必需的msgpack庫。
在cmd中輸入命令：pip install msgpack，然后按Enter鍵運行命令。
二.測試自帶案例
1.安裝object detection API環境
1、下載TensorFlow object detection API
https://github.com/tensorflow/models
我們需要的目標檢測在model文件夾下的research文件夾里
也可以直接訪問：
https://github.com/tensorflow/models/tree/master/research/object_detection
下載代碼庫
在models代碼庫的界面中，有下載整個代碼庫的按鈕，如下圖紅色箭頭標注處所示：
下載到本地目錄（避免中文），解壓。
2.下載Protobuf
目的是將proto文件轉成py文件
下載Protobuf網址： https://github.com/google/protobuf/releases
下載Protobuf網址頁面如下圖所示，下圖中紅色箭頭標注處是Protobuf在操作系統Windows中可以直接運行的protoc程序，下載該壓縮文件
protoc-3.4.1-win32.zip。
將壓縮文件
protoc-3.4.1-win32.zip解壓后的bin文件夾protoc.exe復制到路徑：C:\\Windows
將object_detection\protos文件夾下的.proto文件轉成.py
可以看到有很多proto文件
第一種方法
用這段代碼將object_detection\protos文件夾下的.proto文件轉成.py，只需將E:\目標檢測\models-master\research\object_detection\protos/改成你的文件路徑
1 import os 2 file_list = os.listdir(r'E:\目標檢測\models-master\research\object_detection\protos/') 3 proto_list = [file for file in file_list if '.proto' in file] 4 print('object_detection/proto文件夾中共有%d個proto文件' %len(proto_list)) 5 for proto in proto_list: 6 execute_command = 'protoc object_detection/protos/%s --python_out=.' %proto 7 os.popen(execute_command) 8 file_list = os.listdir(r'E:\目標檢測\models-master\research\object_detection\protos/') 9 py_list = [file for file in file_list if '.py' in file] 10 print('通過protoc命令產生的py文件共有%d個' %(len(py_list) - 1))
結果是：
object_detection/proto文件夾中共有29個proto文件
通過protoc命令產生的py文件共有29個
就是修改成功，你可以進入protos文件夾查看每個proto文件下都有一個對應的py文件。
第二種方法:
protoc object_detection/protos/*.proto --python_out=.
在這一步有時候會出錯，可以嘗試把/*.proto 這部分改成文件夾下具體的文件名，一個一個試，每運行一個，文件夾下應該
出現對應的.py結尾的文件。不報錯即可。
3、PYTHONPATH 環境變量設置
在 ‘此電腦’-‘屬性’- ‘高級系統設置’ -‘環境變量’-‘系統變量’ 中新建名為‘PYTHONPATH’的變量，將
models/research/ 及 models/research/slim 兩個文件夾的完整目錄添加，分號隔開。
接下來可以測試API，在 models/research/ 文件夾下運行命令行：
python object_detection/builders/model_builder_test.p不報錯說明運行成功。
4.測試自帶案例
“開始-Anaconda3-Anaconda Prompt”調出命令行，改變工作目錄至 models\research\object_detection
然后輸入jupyter notebook，就會調用瀏覽器打開當前文件夾，點開 object_detection_tutorial.ipynb，
在新標簽頁中打開 Object Detection Demo，點擊上方的 “Cell”-"Run All"，
就可以直接看到結果，最后輸出的是兩張圖片的識別結果，分別是狗，以及沙灘。第一次運行由於需要下載訓練好的模型，耗時較長。第二次之后可以將 .ipynb文件中 Download Model 即 in[5]部分的代碼注釋掉，以加快運行速度。
如果在notebook中運行有問題，可以將.ipynb中in[]的代碼復制到.py中，然后在 開始-Anaconda3-spyder 中運行。
至此Tensorflow object detection API 的環境搭建與測試工作完成。