TensorFlow Object Detection API 已于2023年停止维护，官方推荐迁移到TF 2.x+Keras自定义训练或PyTorch生态；pip install tensorflow-object-detection-api会失败因其从未发布至PyPI，社区版本依赖过时TF与Python/CUDA版本，易出现模块导入、protobuf编译及TFRecord解析等错误。
TensorFlow Object Detection API 已于 2023 年正式停止维护，tf-models-official 中的 object_detection 模块不再更新，官方推荐迁移到 TensorFlow 2.x + Keras 自定义训练流程或改用 PyTorch 生态（如 torchvision.models.detection）。直接沿用旧版 API 训练模型，大概率会卡在环境兼容、protobuf 版本冲突、protoc 编译失败或 TFRecord 解析报错上。
为什么 pip install tensorflow-object-detection-api 会失败
这个包从未被官方发布到 PyPI，社区镜像中流传的版本多为手动打包的旧快照，依赖硬编码 tensorflow==1.15.0 或 2.4.0，与当前主流 Python 3.9+ 和 CUDA 12.x 环境严重不兼容。常见报错包括：
-
ModuleNotFoundError: No module named 'object_detection'（即使 clone 官方仓库也常因setup.py缺失或路径未添加导致） -
ImportError: cannot import name 'tf_example_decoder' from 'object_detection.dataset_tools'（API 内部模块重构后路径变更） -
AttributeError: module 'tensorflow' has no attribute 'gfile'（TF 2.x 移除了tf.gfile，但旧 config 文件仍调用）
替代方案：用 tf.keras.Model + tf.data 自训 Faster R-CNN
不依赖 object_detection 库，而是基于 tf.keras 构建 backbone + RPN + ROI Head 的轻量级实现，关键点在于复用官方预训练权重并规避 deprecated 接口：
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- backbone 用
tf.keras.applications.ResNet50V2(include_top=False)，输出 feature map 后接自定义RPNHead层 - 标注数据必须转为
tf.data.Dataset，每条样本含image（uint8 tensor）、boxes（float32 [N, 4]，格式为[ymin, xmin, ymax, xmax]）、classes（int32 [N]） - 损失函数需手动实现：RPN 分类/回归 loss + Fast RCNN 分类/回归 loss，避免调用已弃用的
tf.losses.sparse_softmax_cross_entropy - 训练时禁用 eager execution（
tf.compat.v1.disable_eager_execution()）可提升 Faster R-CNN 的 batch 处理稳定性，但需注意变量作用域管理
如果必须跑通 legacy pipeline，只限 TF 1.15 + Python 3.7
仅适用于离线复现实验、老项目维护等极少数场景。严格按以下组合才可能成功：
立即学习“Python免费学习笔记（深入）”；
- Python 3.7.16（非 3.7.17+，后者触发
ast模块兼容问题） -
tensorflow==1.15.5（不是 1.15.0，修复了 protobuf 3.12 兼容性） -
protobuf==3.11.3（高于此版本会导致generate_pb2.py编译失败） -
git clone https://github.com/tensorflow/models.git，检出tags/v1.13.0（而非 master），运行python setup.py build & python setup.py install - config 文件中所有
input_path必须是绝对路径，且label_map_path中的itemid 必须从 1 开始连续编号（0 会被忽略）
真正耗时的从来不是写训练循环，而是把 COCO 格式 JSON 转成符合 tf.train.Example schema 的 .record 文件——字段名大小写、box 坐标归一化与否、image/source_id 是否为空字符串，任意一项出错都会让训练 silently 跳过全部样本。
