最近在使用Faster R-CNN去识别表格位置，找了很多Demo，不过我觉得如果用管方的肯定有保证，就用了TensorFlow中的Models自带的Object-Detection方法，下载地址但是我看了一下源码，确实像正规的工程文件，代码配置灵活，使用方便，如果按照教程走，几乎没有Bug。有时间再仔细研究源码，多学习学习。
1、 Faster R-CNN是目前运用广泛的目标检测方法，具体实施方法可以才考
GitHub上的示例How To Train an Object Detection Classifier for Multiple Objects Using TensorFlow (GPU) on Windows 10
2、如果想自己做训练自己的项目，就需要使用他推荐的 Labelimg 工具去标注自己的图片，然后再按照他的教程，生成TFRecord文件，以及修改配置文件。
3、一般按照这个教程一步一步仔细设置，就没有问题，不过我的电脑没有GPU，跑起来就死机，只能迁移到服务器去跑。当然，有以下需要注意的点
1.迁移过程中需要将配置文件的路径修改为Liunx下的路径，即 /home/user/.....，就是你slim放的位置
2.执行时No module named 'nets'原因是没有找到slim文件夹，所以要配置slim路径，export PYTHONPATH=/home/.你的位置./models/research/slim:$PYTHONPATH
4、后面又遇到了无法编译Protoc的事情，想了很多办法，最后参考了windows下解决protoc编译的方法
1.下载protoc-3.5.1-win32.zip并解压，地址：https://github.com/google/protobuf/releases
2.将解压后的bin文件夹加入到环境变量中；
3.打开cmd，在/model/research/目录下，输入Get-ChildItem object_detection/protos/*.proto | Resolve-Path -Relative | %{ .\protoc $_ –python_out=. }
5、要是想更改网络结构，也非常的方便，在\object_detection\samples\configs文件夹里面，有很多模型可以选择，选到需要的config，放到training文件夹，同时去网上下载训练好的checkpoint,模型的挑选可以参考 Tensorflow detection model zoo，里面有每个模型的性能和准确度等。
然后修改config里面那个5个文件路径和2个类别个数，然后修改执行python 文件的语句，即可更换模型进行训练，非常便捷，佩服谷歌的工程能力！