运行验证脚本从object_detection.protos导入anchor_generator_pb2报错

这个报错的核心原因是Python运行时无法在object_detection.protos模块路径下找到对应编译生成的anchor_generator_pb2.py文件，按以下顺序逐一排查即可，覆盖90%以上的同类场景：

• 先确认protobuf全量编译操作正确执行
  绝大多数该类报错都是proto文件编译步骤出问题导致的。首先进入你本地TensorFlow Object Detection源码的research目录，执行全量编译命令：
  protoc object_detection/protos/*.proto --python_out=.
  注意Windows系统不要在PowerShell中执行该命令，PowerShell对通配符*的解析逻辑存在兼容问题，会导致部分proto文件漏编译，换CMD执行即可。编译完成后直接打开object_detection/protos目录检查，能看到anchor_generator_pb2.py文件才说明这一步执行成功，没有该文件就说明编译未生效。
• 排查模块导入路径冲突
  如果之前通过pip安装过object_detection相关包，Python会优先读取site-packages目录下的预装版本，而非你本地编译的源码版本。先执行以下代码确认当前Python导入的object_detection实际路径：

  import object_detection
  print(object_detection.__path__)
  

  如果输出路径指向Python环境的site-packages目录，先执行pip uninstall tensorflow-object-detection（部分包名是object-detection，多卸载几次确认pip安装的版本完全清除），再把本地源码的research目录、research/slim目录加入Python路径，再运行脚本。
• 校验依赖版本兼容性
  protobuf版本过高、object_detection源码和TensorFlow版本不匹配也会导致pb2文件生成异常。先执行pip show protobuf查看当前protobuf版本，如果版本号高于3.20.x，先降级到兼容版本：
  pip install protobuf==3.20.3
  降级完成后回到第一步重新执行全量proto编译操作。
• 清除异常缓存
  之前编译失败残留的缓存文件也会导致导入异常，进入object_detection/protos目录，删除所有__pycache__文件夹以及后缀为.pyc的缓存文件，再重新运行验证脚本。

修复完成后可以先在Python交互环境执行from object_detection.protos import anchor_generator_pb2做导入测试，执行无报错再跑你的业务脚本即可。

内容的提问来源于stack exchange，提问作者N048