tensorflow detection model zoo:
在这个链接当中哦有训练好的checkpoint：
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

这里的模型是基于COCO dataset， Kitti dataset， Oepn Images dataset训练好的模型，这些模型都可以用 out-of-the-box inference, 如果需要预测的类别都存在于COCO或者是open images当中。利用这些模型作为初始化模型来训练新的数据集也是很好的。

每个pre-trained model 都包含以下的内容

• model name, 和用来训练这个模型的samples/configs 文件目录（这里说的是research/object_detection/目录之下）config file对应的用来训练这个模型的。
• tar.gz下载链接
• model speed: 与硬件相关，也与模型的版本相关
• detector 性能。基于mAP measure，越高越好
• 输出types（Boxes， Masks)

un-tar file 可以通过

tar -xzvf ssd_mobilenet_v1_coco.tar.gz

在每个解压文件中可以找到：

• graph proto（graph.pbtxt)
• checkpoint (model.ckpt.data-00000-of-00001, model.ckpt.index, model.ckpt.meta)
• frozen graph proto，在这个图中，所有的权重的值都是通过constant形式存在的，所以不会在训练的过程中被update(frozen_inference_graph.pb)，这个文件可以被载入用来作为out of the box inference（可以在jupyter notebook中实现）
• config file(pipline.config)用来产生graph，对应上面提到的configs文件目录里面的同名文件，但是通常会修改score threshold。在一些heavier Faster R-CNN的模型当中，也会提供为了达到期望速度的而大量减少了proposals数目（这里应该指的就是候选的区域）的版本。

frozen inference graphs的备注：
（AP：average precison： 是precision/recall curve的总结，\[ AP = \frac{1}{11} \sum_{r \in {0,0.1,0.2,…,1} }P_{interp}(r) \], 对应在recall=[0,0.1,…1]的时候，precision的均值。

• 当利用frozen inference graphs来评估的时候，结果会比官方提供哦的数据要低一点，因为在创建frozen graph的时候，丢弃了一些scores低于一个阈值（一般是0.3）的检测。这样有效的对应在detector的precision recall curve中选择合适的点（并且丢弃在这个点过去的部分）（这里的意思值得是在precision recall curve中选择一个合适得点，丢掉precision小于这个阈值得样本嘛？），但是这样会对标准得mAP得metric有副作用。
• 官方提示，这个frozen inference graph是基于Tensorflow v1.5.0版本得release，不能保证兼容于其他的版本。但是可以自己重新运行exporter部分来重新生成frozen inference graph。

这里基于COCO数据集的与训练的model有：
ssd_mobilenet_v1，v2, ssdlite_mobilenet_v2, ssd_inception_v2, fast_RCNN基于resetnet，inception的，详情参见上面的链接

kitti数据集只有一个与训练模型
基于resnet101的faster_RCNN的model

open_image模型”
faster_rcnn de inception和resnet的集合

还有ava-model（这一部分不知道是什么）
基于resnet101的faster_RCNN的model