首先聲明參考博客：https://blog.csdn.net/beyond_xnsx/article/details/79771690?tdsourcetag=s_pcqq_aiomsg
實踐過程主線參考這篇博客，相應地方進行了變通。接下來記載我的實踐過程。
一、GPU版的TensorFlow的安裝
准備工作：
筆者電腦是Windows10企業版操作系統，在這之前已經通過Anaconda安裝了python3.5.2和CPU版本的TensorFlow1.12.0。Anaconda就跟普通的軟件一樣，下載完圖形化界面引導式安裝就可以，不會的百度一大堆，這里就不說這個了。 筆者也不確定CPU版TensorFlow和GPU版的TensorFlow可以並存否，不過據我資料搜索顯示可以並存，不過，筆者也是初學，為了安全起見，就決定先卸載掉CPU版的TensorFlow，在Anaconda Prompt中輸入pip uninstall TensorFlow，有時候可能顯示沒有找到或無法卸載之類的提示，為了保險，筆者進入Anaconda文件系統內部（筆者的路徑：D:\DevelopmentTools\Anaconda3\Lib\site-packages），手動將TensorFlow和TensorBoard兩個文件夾刪除掉了，也就是說這個完全可以手動刪除，但要把相關的刪除干凈為好，不一定非得要命令行卸載。 下面開始GPU版TensorFlow的安裝：
1、英偉達（NVIDIA）CUDA和CuDnn的安裝
英偉達顯卡更多是面向游戲用戶的，所以並未直接在驅動中內置關於深度學習的組件，所以需要將用於支持深度學習的組件添加進NVIDIA驅動或安裝包，這里有兩個東西：CUDA和CuDnn。
筆者電腦的GPU是NVIDIA GeForce GTX 1060 with Max-Q Design，所以首先查看下自己的GPU是否支持CUDA功能，如果支持，那么CUDA和CuDnn不同版本選擇和GPU型號沒有關系，主要看其和TensorFlow版本的兼容性，如果版本不兼容，會產生一系列問題，令人琢磨不透，這個還是要弄清楚才好。筆者最終選擇的是CUDA9.0和CdDnn9.0，對應選擇的TensorFlow版本是1.10.0。下一步來講TensorFlow安裝
CUDN網盤鏈接：鏈接：https://pan.baidu.com/s/1VAw1bMtSyUmJ4Uv7X44MsA 提取碼：mgam
CuDnn網盤鏈接：鏈接：https://pan.baidu.com/s/175b0OId84-xbzhq24eAv5w 提取碼：q7ni
CUDN的安裝用cuda_9.0.176_win10.exe就和普通軟件安裝一樣，目錄使用默認的，環境變量自動添加。然后將cuda9.0+cudnn-9.0-windows10-x64-v7.1.zip解壓到一個目錄等待使用即可，如下：
這里，就完成了GPU端的相關內容。 下面進入TensorFlow的安裝。
2、TensorFlow-gpu的安裝
進入Anaconda Prompt命令行下，使用pip install --ignore-installed --upgrade tensorflow-gpu==1.10.0來安裝，會自動下載安裝的。這里需要注意的是版本號是否兼容，這里使用的是TensorFlow-gpu-1.10.0和CUDA9.0，其它版本需要查證版本兼容問題，而且這里安裝會提示不兼容的錯誤的，還有之前若有CPU版TensorFlow可能會有不確定的問題，我是卸載刪除干凈之后才進行安裝的。
3、測試
在命令行中，進入python，並輸入以下代碼：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
輸出：
b’ Hello, TensorFlow!
出現如上界面信息，沒有明顯的異常錯誤信息，就表示TensorFlow-gpu安裝成功。 下面進入FasterRCNN相關內容。
二、下載並部署FasterRCNN的源碼
代碼GitHub鏈接：https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5
這里還有一點，需要安裝cython, python-opencv, easydict三個包，同理，在Anaconda Prompt命令行下，用pip來安裝，如果以有opencv，就不用安裝python-opencv了。
下載完，直接用PyCharm打開即可，
三、數據集
可以收集自己的數據，進行標注，使用labelImg-master工具進行標注，按照VOC2007規范化數據圖片及標注結果的xml文件。我這里將組中集體合作標注的數據集修改了又修改，但是最終還是沒能正確使用起來，我修改的內容就是那些未被標注的圖片和標注不兼容的圖片，前者是直接將未被標注的圖片和相關文件刪除掉，后者是重新標注。 自己標注的數據集總是有問題，目前還沒有解決，之后會更新。
最終使用公有數據集進行訓練，如下：
下載數據集
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
將三個文件同時解壓到VOCdevkit2007目錄下（三個都解壓到一個文件夾下），並將VOCdevkit2007目錄存放於data目錄下
文件名和路徑結構一定要設置對，否則會報錯
然后就用此數據集替換項目代碼中的數據集，以本人的pycharm項目路徑為例，如：D:\IDE\PyCharm\Project\Faster-RCNN-TensorFlow-Python3.5-master\data\VOCdevkit2007\VOC2007
直接替換即可。
四、預訓練模型植入
簡單講，這里相當於一個遷移學習，因為自己從零開始訓練一個模型很費勁，關鍵是要想訓練出比較准確或者說很准確的模型，那要耗費很高的GPU資源和更多的時間，所以這里就是運用別人訓練了一部分的一個模型，叫做預訓練模型，選擇Vgg16預訓練模型，下載鏈接：http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz
解壓並改名為vgg16.ckpt(原來是vgg_16.ckpt)后存放在Faster-RCNN-TensorFlow-Python3.5-master\data\imagenet_weights\目錄下（注：這個imagenet_weights文件夾並不存在，自己新建一個即可），解壓后一定要改名為vgg16.ckpt 而不是vgg_16.ckpt否則會報錯：
五、開始訓練
這時，就可以運行train.py了，我大約訓練了七八個小時吧，我是凌晨12點睡覺前開始訓練，早上起來就訓練好了，
六、運行demo.py
然后運行demo.py，就可以對文件夾下的六張圖片進行標注並顯示了