3.2 使用TensorFlow预训练模型
TensorFlow预训练模型库（TensorFlow detection model zoo）提供了多个已经在COCO数据集、Kitti数据集、Open Images数据集、AVA v2.1数据集和iNaturalist Species Detection数据集上完成了训练的模型。
其网页链接为https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md。
若需要识别的物体刚好在这些数据集内，那么这些模型下载后无需训练就可以直接使用。若不在，则只需要在自己的数据集上做迁移学习即可。
3.2.1 如何选择预训练模型
Model zoo中的已训练好的模型如图3-2所示。
图3-2 COCO数据集预训练模型
模型名称（Model name）的命名规则是：目标检测算法_特征提取网络_训练数据集。例如，ssd_mobilenet_v1_coco的意思是，该模型使用了SSD（Single Shot Multibox Detector）目标检测算法，mobilenet特征提取网络，在COCO数据集上进行了训练。
速度（Speed）是指该模型在NVIDIA GeForce GTX TITAN X显卡上处理600×600分辨率图像（包含预处理和后处理）的速度，这个数值可以让大家对模型运行的相对快慢有个感性的认识。例如，ssd_resnet_50_fpn_coco的运行速度就比ssd_mobilenet_v1_coco要慢。
平均精度均值（mAP）是指该模型识别多类物体时，每类物体识别精度（AP）的平均值。mAP值越高，表明该模型识别精度越高。例如，ssd_resnet_50_fpn_coco的识别精度就比ssd_mobilenet_v1_coco要高。
输出（outputs）有两种类型：边界框（boxes）和掩膜（Masks），如图3-3所示。
图3-3 边界框和掩膜
3.2.2 预训练模型的文件构成
TensorFlow detection model zoo中预训练模型的文件组成基本一致，以ssd_inception_v2_coco为例，请下载ssd_inception_v2_coco，解压后请把文件夹名也改为ssd_inception_v2_coco，可以得到如图3-4所示的多个文件。
图3-4 预训练模型文件
frozen_inference_graph.pb是TensorFlow frozen graph（冻结图）文件，里面以常量的方式保存着模型的权重（weights），可以直接用于模型推理计算（Inference）。3.8.7节的范例程序object_detection_example_1.py，就是直接使用frozen_inference_graph.pb文件做推理计算的。
model.ckpt.data-00000-of-00001、model.ckpt.index和model.ckpt.meta这三个文件一起构成TensorFlow的Checkpoint文件，用于训练过程中，保存模型变量、模型权重等重要参数。迁移学习需要先从Checkpoint文件读取现有模型的变量、权重等重要数据，然后再基于新的训练数据集继续训练模型。
由于Checkpoint文件个数太多，不方便推理计算调用，所以当模型训练完毕后，需要执行模型Frozen（冻结）操作，即把所有变量的值提取出来变成常量，跟模型权重一起合并为一个*.pb文件。
pipeline.config是文本格式的用于生成TensorFlow Graph（计算图）的配置文件。迁移学习时，需要修改里面的一部分参数，这在后续章节中会详细介绍。
3.2.3 一个典型的深度学习训练流程
一个典型的TensorFlow Object Detection API框架的深度训练步骤包括：准备图片；标注图片；训练模型；导出冻结图（*.pb）。如图3-5所示。
图3-5 典型训练流程
接下来，本书将按照此流程依次详述深度学习训练的各个步骤。