物件偵測（Object Detection）是影像辨識中重要的一環。是指在影像中，利用方形的框標出物件的位置，並針對該物件進行分類，能快速且有效的達到分類及位置判斷的目的。下圖是物件偵測的案例，在圖中把偵測到的物件（狗、腳踏車與汽車）分別用方框進行標記：

物件偵測有很多種演算法，傳統上方式有HOG（Histogram of Oriented Gradient）；在深度學習領域則有R-CNN（Region-based Convolutional Neural Networks）、SSD(Single Shot MultiBox Detector）與YOLO（You Only Look Once）等。在此不會深入探討各種演算法的內容，而是應用這項技術來進行型態識別。接下來都會使用TensorFlow Object Detection API來建構與訓練物件偵測深度學習模型。

程式實作：建置物件偵測模型

今天主要在說明如何建置物件偵測模型，因此會使用使用公開資料集「Fruit Images for Object Detection」來建置一個模型以做為演示。關於技術型態辨識的物件偵測模型建置則會於明後兩日說明；明天（Day28）會先建立底部型態的實驗資料集，後天（Day29）則是使用實驗資料集進行模型的建置與訓練。
以下參照「TensorFlow 2 Object Detection API With Google Colab」文章的描述在 Google Colab環境中使用GPU進行模型之建構與訓練，用以說明物件偵測模型訓練所需的所有步驟。該文章將已將所有步驟以條列方式說明；並且很多步驟都已寫在Jupyter Notebook內，因此只要按步執行即可。但很不幸的是這篇文章寫於2020年，至今Colab與TensorFlow已有不少的改動；為此我對於原本Jupyter Notebook進行修改以符合現今環境，詳細請參照「第二十七天：簡述物件偵測技術.ipynb」。接下來我會概略的說明每個步驟，細節部份還請參照原文：

• 第1步（Step 1） - 先決條件（收集/標記圖像、創建 label_map...等）
  • 在此就直接使用公開資料集「Fruit Images for Object Detection」並創建label_map.pbtxt
  • 下載預訓練模型（SSD Resnet50 V1 FPN 640X640）以進行遷移學習
  • 下載generate_tfrecords.py腳本將資料集轉換為TFRecord格式
• 第2步（Step 2） - 在 Google雲端硬碟上設置目錄結構：就請參照原文建立目錄，並把下載的資料集、模型與檔案放在指定位置。結果如下所示：

TensorFlow
├───scripts
│   └───preprocessing
│     └───generate_tfrecord.py 
└───workspace
    └───training_demo
        ├───annotations
        │   └───label_map.pbtxt 
        ├───exported-models
        ├───images
        │   ├───test
        │   │     └───test images with corresponding XML files
        │   └───train
        │         └───train images with corresponding XML files
        ├───models
        │   └───my_ssd_resnet50_v1_fpn
        │     └───pipeline.config
        └───pre-trained-models
            └───ssd_resnet50_v1_fpn_640x640_coco17_tpu-8

• 第3步（Step 3） - 選擇硬體加速器：在Google Colab上開啟「第二十七天：物件偵測概述.ipynb」，然後變更執行階段類型為GPU（先說明一下我訂閱了Colab Pro+以期能於參賽期間內完成模型訓練，選擇的類型為「T4」與「大量RAM」）
• 第4步（Step 4） - 掛載Google雲端硬碟：請執行「#Step 4- Mount Google Drive.」的程式碼儲存格，之後會跳出需授權從Google Colab存取Google雲端硬碟的提示，就請同意授權
• 第5步（Step 5） - 下載TensorFlow模型庫：請執行「#Step 5- Download TensorFlow Model Garden.」的程式碼儲存格。這步驟程序有做修改，以對應目前TensorFlow版本
• 第6步（Step 6） - 安裝一些必需的程式庫與工具：請執行「#Step 6- Install some required libraries and tools.」的程式碼儲存格。這步驟程序有做修改，以對應目前Google Colab環境
• 第7步（Step 7） - 編譯Protobuf程式庫：請執行「#Step 7- Compile the Protobuf libraries.」的程式碼儲存格
• 第8步（Step 8） - 設置環境：請執行「#Step 8- Set the environment.」的程式碼儲存格
• 第9步（Step 9） - 構建並安裝 setup.py：TensorFlow版本變更造成原本方式無法使用，因此我做了修改讓這步可以執行；請執行「#Step 9- Build and Install setup.py.」的程式碼儲存格
• 第10步（Step 10） - 測試安裝：請執行「#Step 10- Test the installation.」的程式碼儲存格，最後出現『OK (skipped=1) Done』訊息表示安裝成功
• 第11步（Step 11） - 產生Tfrecord：這一步會將資料集轉換成TFRecord格式，請執行「#Step 11- Generate TFrecords.」的程式碼儲存格
• 第12步（Step 12） - 複製一些檔案
  • 從"TensorFlow/models/research/object_detection"檔案夾中複製"model_main_tf2.py"檔案並將其貼至training_demo檔案夾中。因為需要這個檔案來訓練模型
  • 從"TensorFlow/models/research/object_detection"檔案夾中複製"exporter_main_v2.py"檔案並將其貼至training_demo檔案夾中。因為需要這個檔案來導出已訓練的模型
• 第13步（Step 13） - 配置管道文件：請參考原文修改"training_demo/models/my_ssd_resnet50_v1_fpn/pipeline.config"之檔案內容
• 第14步（Step 14） - 啟動TensorBoard：請執行「#Step 14- Start Tensorboard.」的程式碼儲存格，以啟動TensorBoard
• 第15步（Step 15） - 訓練模型：請執行「#Step 15- Train the model.」的程式碼儲存格，訓練過程如下圖所示：

• 第16步（Step 16） - 導出已訓練的模型：請執行「#Step 16- Export the Trained Model.」的程式碼儲存格
• 第17步（Step 17） - 測試模型（載入已保存的模型）：請執行「#Step 17- Test the Model.」的程式碼儲存格
• 第18步（Step 18） - 測試模型（載入label_map）：請執行「#Step 18- Testing the Model.」的程式碼儲存格
• 第19步（Step 19） - 測試模型（載入圖像）：先將兩張圖片img1.jpg與img2.jpg上傳至Colab儲存空間後再執行「#Step 19- Testing the Model.」的程式碼儲存格
• 第20步（Step 20） - 執行推論：請執行「#Step 20- Running the Inference.」的程式碼儲存格，執行結果如下圖所示：