如何在Python中利用TensorFlow Object Detection API训练目标检测模型？-Python教程-PHP中文网

TensorFlow Object Detection API 已于2023年停止维护，官方推荐迁移到TF 2.x+Keras自定义训练或PyTorch生态；pip install tensorflow-object-detection-api会失败因其从未发布至PyPI，社区版本依赖过时TF与Python/CUDA版本，易出现模块导入、protobuf编译及TFRecord解析等错误。

如何在python中利用tensorflow object detection api训练目标检测模型？

TensorFlow Object Detection API 已于 2023 年正式停止维护，tf-models-official 中的 object_detection 模块不再更新，官方推荐迁移到 TensorFlow 2.x + Keras 自定义训练流程或改用 PyTorch 生态（如 torchvision.models.detection）。直接沿用旧版 API 训练模型，大概率会卡在环境兼容、protobuf 版本冲突、protoc 编译失败或 TFRecord 解析报错上。

为什么 pip install tensorflow-object-detection-api 会失败

这个包从未被官方发布到 PyPI，社区镜像中流传的版本多为手动打包的旧快照，依赖硬编码 tensorflow==1.15.0 或 2.4.0，与当前主流 Python 3.9+ 和 CUDA 12.x 环境严重不兼容。常见报错包括：

ModuleNotFoundError: No module named 'object_detection'（即使 clone 官方仓库也常因 setup.py 缺失或路径未添加导致）
ImportError: cannot import name 'tf_example_decoder' from 'object_detection.dataset_tools'（API 内部模块重构后路径变更）
AttributeError: module 'tensorflow' has no attribute 'gfile'（TF 2.x 移除了 tf.gfile，但旧 config 文件仍调用）

替代方案：用 tf.keras.Model + tf.data 自训 Faster R-CNN

不依赖 object_detection 库，而是基于 tf.keras 构建 backbone + RPN + ROI Head 的轻量级实现，关键点在于复用官方预训练权重并规避 deprecated 接口：

Python Pep Authoring

依据官方 python/peps仓库规则起草、审阅、编辑或准备 Python 改进提案（PEP），用于处理 PEP 文本和元数据头部。

下载

backbone 用 tf.keras.applications.ResNet50V2(include_top=False)，输出 feature map 后接自定义 RPNHead 层
标注数据必须转为 tf.data.Dataset，每条样本含 image（uint8 tensor）、boxes（float32 [N, 4]，格式为 [ymin, xmin, ymax, xmax]）、classes（int32 [N]）
损失函数需手动实现：RPN 分类/回归 loss + Fast RCNN 分类/回归 loss，避免调用已弃用的 tf.losses.sparse_softmax_cross_entropy
训练时禁用 eager execution（tf.compat.v1.disable_eager_execution()）可提升 Faster R-CNN 的 batch 处理稳定性，但需注意变量作用域管理

如果必须跑通 legacy pipeline，只限 TF 1.15 + Python 3.7

仅适用于离线复现实验、老项目维护等极少数场景。严格按以下组合才可能成功：

Python 3.7.16（非 3.7.17+，后者触发 ast 模块兼容问题）
tensorflow==1.15.5（不是 1.15.0，修复了 protobuf 3.12 兼容性）
protobuf==3.11.3（高于此版本会导致 generate_pb2.py 编译失败）
git clone https://github.com/tensorflow/models.git，检出 tags/v1.13.0（而非 master），运行 python setup.py build & python setup.py install
config 文件中所有 input_path 必须是绝对路径，且 label_map_path 中的 item id 必须从 1 开始连续编号（0 会被忽略）

真正耗时的从来不是写训练循环，而是把 COCO 格式 JSON 转成符合 tf.train.Example schema 的 .record 文件——字段名大小写、box 坐标归一化与否、image/source_id 是否为空字符串，任意一项出错都会让训练 silently 跳过全部样本。