前面part1~part2已经把环境安装、模型训练这一套流程介绍了一次。该教程介绍如何更换一个模型去训练数据。
教程结构：
本教程分为三个步骤:
1.寻找模型配置文件以及其预训练模型
2.修改模型配置文件内容
3.测试
4.后记：假如需要使用tensorflow2.0的模型（环境安装的一些注意事项！！！！）
1.寻找模型配置文件以及其预训练模型 Ⅰ.寻找模型配置文件
相关模型配置文件可以在models-r1.13.0.zip的“…/research/object_detecion/samples/configs”里面找到。
models-r1.13.0.zip 可以在我github上Clone下来，链接：
https://github.com/HelloSZS/models-r1.13.0
因为使用tensorflow框架及tensorflow object detection API进行模型训练，因此在Tensorflow的github网站上可以寻找预训练模型。
使用预训练模型可以加快模型训练收敛速度，其实也可以选择不使用预训练模型。
Tensorflow object detection API的github网址：
https://github.com/tensorflow/models/tree/r1.13.0/research/object_detection
因为使用tensorflow1.0，因此选择了Tensorflow object detection API（r1.13.0版本）
以下是上面网址打开后的页面展示：
本系列教程提供的“models-r1.13.0.zip”压缩包，便是r1.13.0版本的压缩包。
网页下拉到该位置，点击tensorflow detection model zoo。
然后会跳转到下一个页面：这里就有预训练模型，按需下载。
预训练模型压缩包里包含了checkpoint文件和pb文件，还有配置文件，如下图：
2.修改模型配置文件内容 为何要修改配置文件内容？
首先，训练自己的数据集，需要给模型配置文件提供数据集放置的位置。其次，如果有想法，可以在基础的配置文件上修改优化器或者模型结构。再来，如果显存或内存不足，可以在里面修改batch_size。
如果需要使用不同的模型，则选用相应的配置文件，建议复制一份到其他文件夹，更改配置名称，以便与原版配置文件作区分：
示例：假如我要使用rfcn_resnet101 这个模型，建议复制一份：
并打开该配置文件，然后对以下内容进行修改：
如何修改，可以参考之前步骤中示例的模型配置文件：
修改后如下图：
至此，修改完成。
3.测试
测试的命令与“step1-Anaconda & Tensorflow安装教程”中下图位置的步骤一样，不过要修改命令：
原本：
python model_main.py --logtostderr --train_dir=training/ --pipeline_config_path=images/object/ssd_mobilenet_v2_coco.config
其中：ssd_mobilenet_v2_coco.config，修改成：rfcn_resnet101_coco.config
即变成：
python model_main.py --logtostderr --train_dir=training/ --pipeline_config_path=images/object/rfcn_resnet101_coco.config
如果出现：Windows fatal exception: access violation
则检查配置文件的路径有没有错误：常见的是相对路径出错
不过这里是因为没有配置预训练模型的路径所以导致出错
可以选择注释掉不用预训练模型并且from_detection_checkpoint设置为false，如下图：
或者把存放预训练模型的位置放进去。
重新输入训练命令进行训练，出现loss，step，则表示成功修改了配置文件，并已经开始进行训练。
自此，Tensorflow Object detection API Win10使用教程全部结束。
4.后记：假如需要使用tensorflow2.0的模型
如果后续需要选择其他版本的Tensorflow object detection API(例如r2.0版本)，则需要注意去创建新的anaconda环境再安装tensorflow2.0版本，以及相应的tensorboard/tensorflow-estimator版本。
tensorflow2.0版本安装过程与1.0一样，只需要在“step1教程”的相应步骤更改部分命令参数（例如： conda install tensorflow==1.15.1改成 conda install tensorflow==2.0.0）。并且网上查找tensorflow与cuda/cudnn版本兼容的列表（可以上tensorflow官网查找）,看是否需要修改cuda/cudnn版本。
还要注意的一点，本系列教程提供的“models-r1.13.0.zip”压缩包已经对.proto文件进行过编译，生成了.py文件（省略了编译的过程，方便初学）。文件如下图所示：
如果需要下载其他版本，在如下图红框安装步骤之前重新编译.proto，下文会介绍编译方法。
编译.Proto的步骤介绍：
打开protobuf的github网站下载相应的文件，链接如下：
https://github.com/protocolbuffers/protobuf/releases
如果你是windows系统，则下载下列文件
（32位系统下载win32，64位系统下载win64）
打开已经下载好的压缩包，把bin文件夹里的protoc.exe放到C:Windows文件夹里：
然后重新打开一个cmd，输入protoc，回车，如果如下图所示，即准备就绪。
cmd中，激活环境，切换到“…/research”作为当前工作目录，然后输入以下命令：
protoc object_detection/protos/*.proto --python_out=.
然后如下图所示：
如果回车后没有任何错误提示，如下图所示：
并且会在“…/research/object_detection/proto中”生成下图内容（.py文件）：
则表示已经成功，可以继续进行下续install步骤（对tensorflow object detection API进行安装）。