C++ 版本的 Opencv 调用 TensorFlow object detection API 训练的模型（训练调用全过程）

最近做的一个项目需要在c++程序中调用目标检测模型，但是在使用opencv调用模型时总是遇到各种各样的错误，一直没有成功。最近终于打通了这一过程，总结如下（本文以SSD_MobileNet模型为例）。

运行环境：
opencv >= 3.4.4，
Visual Studio 2015，
训练环境参考本文引用的其他文章。

1. opencv 调用训练好的目标检测模型

具体调用代码参考 opencv dnn模块 示例(5) 目标检测 object_detection (4) TensorFlow SSD，代码中调用的两个模型文件分别来自 ssd_mobilenet_v1_coco_2017_11_17.pb，ssd_mobilenet_v1_coco_2017_11_17.pbtxt。文件 object_detection_classes_coco.txt 可以在 opencv 安装目录下的 \sources\samples\data\dnn 目录中找到。

2. 使用自己的数据在 TensorFlow object detection API 中训练模型

详细的训练过程参考 naisy/train_ssd_mobilenet，该文是在 API 的 Branch r1.5 上实现的，安装 API 可以参考这篇文章Ubuntu 16.04 安装Tensorflow Object Detection API (一）。

在训练完成后可以得到./output/frozen_inference_graph.pb 模型文件。

3. 生成 .pbtxt 模型文件

参考官方wiki Generate a config file，需要下载 tf_text_graph_ssd.py 和 tf_text_graph_common.py 两个文件，–input 的参数是你训练得到的 frozen_inference_graph.pb 模型文件，–config 的参数是你训练模型时使用的那个 .config 文件。

至此，得到的 .pb 和 .pbtxt 文件可以应用到第一节的代码中了，最后将训练模型时的 label_map.pbtxt 文件按照 object_detection_classes_coco.txt 的格式修改一份，就可以成功运行了。