使用TensorFlow object detection API 训练了ssd+mobilenetV2，最后导出tflite模型，并且成功在ios上运行了 数据集使用的是 SVHN http://ufldl.stanford.edu/housenumbers/ 教程主要参照了谷歌官方 https://medium.com/tensorflow/training-and-serving-a-realtime-mobile-object-detector-in-30-minutes-with-cloud-tpus-b78971cf1193
tensorflow-gpu 1.12.0
protoc 3.0.0 or 3.3.0
object detection API需要制作成tfrecord格式的数据集，SVHN的数据集很多标注的很乱，有的box远远超出图片，因此在转换格式的时候判断了一下框的位置，超过1（其实ssd最大允许1.1）的时候强制写回1 因此会出现如下样式的代码
if (bbox['left'][i] + bbox['width'][i]) / width > 1:
xmaxs.append(1)
# print('xmaxs : %s' % (xmaxs))
else:
xmaxs.append((bbox['left'][i] + bbox['width'][i]) / width)
因为采用了MobileNetV2，已经训练好的模型在 http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v2_coco_2018_03_29.tar.gz 下载,github上的2个模型都没跑起来
win10上cocoapi需要安装visual studio 2015，最好全勾上，主要是要VC的platform SDK 要先
pip install Cython
pip install pycocotools
ssd模型需要用 export_tflite_ssd_graph.py 导出，然后通过toco导出成tflite�格式
osx 10.14.1
tensorflow 1.12.0
protoc 3.3.0
直接用pypi装是tensorflow是1.11的（清华源） ，得下载1.12.0的离线包.whl安装 记得先用离线包装一个最新的tensorboard，mac没有gpu版本就不用装-gpu了
mac自带一个python2.7，装完python3.6.7以后建议在.bash_profile中加上（用venv环境最好）：
PATH="/Library/Frameworks/Python.framework/Versions/3.6/bin:${PATH}"
export PATH
alias python="/Library/Frameworks/Python.framework/Versions/3.6/bin/python3.6"
Ubuntu 16.04
tensorflow 1.12.0
protoc 3.3.0
直接用pypi装是tensorflow是1.11的（清华源），得下载1.12。0的离线包.whl安装 记得先装用离线包装一个最新的tensorboard
ubuntu也自带了python2.7，和python3.5，建议更新到3.6 用venv环境最好 经常会出现No module named "object_detection" 的报错，需要到tensorflow/models/research/ 目录中输入：
export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim
开始训练的时候pillow报错了，发现Ubuntu自带的pillow比较老，要更新到最新版本（5.3.0）
如果要减小模型体积可以使用量化训练,int8位，比float的32位小了 3/4 但量化训练貌似更吃配置 float的时候batch_size = 16，GTX 960每步训练0.5 ~ 0.6秒 quantization模式下训练的时候batch_size =8 ，每步训练要1.2秒 这配置吃的也太高了，各个参数的作用还没不理解，具体原因待查
转换成tflite格式的模型一定要使用bazel不然会报错：
bazel run -c opt tensorflow/contrib/lite/toco:toco -- \
--input_file=$OUTPUT_DIR/tflite_graph.pb \
--output_file=$OUTPUT_DIR/detect.tflite \
--input_shapes=1,300,300,3 \
--input_arrays=normalized_input_image_tensor \
--output_arrays='TFLite_Detection_PostProcess','TFLite_Detection_PostProcess:1','TFLite_Detection_PostProcess:2','TFLite_Detection_PostProcess:3' \
--inference_type=QUANTIZED_UINT8 \
--mean_values=128 \
--std_values=128 \
--change_concat_input_ranges=false \
--allow_custom_ops