SSD的安装
- 在home目录下，获取SSD的代码，下载完成后有一个caffe文件夹
git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd(出现“分支”则说明copy-check成功)- 1
- 2
- 3
- 进入下载好的caffe目录，复制配置文件
cd /home/usrname/caffe
cp Makefile.config.example Makefile.config- 1
- 2
- 1
- 2
- 编译caffe三部曲
make all -j16 //-j16根据本机的处理器配置，16是16核处理器的意思
make test -j16
make runtest -j16（这一步不是必须的）- 1
- 2
- 3
- 1
- 2
- 3
- 额外编译，根据需要(因为SSD利用python完成，需编译pycaffe)
make pycaffe -j16准备工作
下载预训练模型 链接：http://pan.baidu.com/s/1miDE9h2
密码：0hf2，将它放入caffe/models/VGGNet/目录下下载VOC2007和VOC2012数据集，放到/home/data下。（请注意，这里改变了目录）
cd ..
mkdir data
cd data/- 1
- 2
- 3
- 1
- 2
- 3
- 下载数据集
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar- 1
- 2
- 3
- 1
- 2
- 3
- 数据集解压
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar- 1
- 2
- 3
- 1
- 2
- 3
- 将图片转化为LMDB文件，用于训练
cd ..
cd caffe/
./data/VOC0712/create_list.sh
./data/VOC0712/create_data.sh- 1
- 2
- 3
- 4
- 1
- 2
- 3
- 4
- 这里用的脚本实现批处理，可能会出现:no module named caffe等错误，这是由于caffe的Python环境变量未配置好，可按照下面方法解决：
echo "export PYTHONPATH=/home/usrname/caffe/python" >> ~/.profile
source ~/.profile
echo $PYTHONPATH #检查环境变量的值训练模型
- 在下载的caffe根目录执行如下命令训练，在examples/ssd下存在几个.py文件，训练的时间较长，迭代60000次，博主训练了一天！
python examples/ssd/ssd_pascal.py- 1
- 1
实验效果
（1）在图片测试集上测试
python examples/ssd/score_ssd_pascal.py- 1
- 1
（2）在视频上测试
python examples/ssd/ssd_pascal_video.py- 1
- 1
（3）在摄像头上测试
python examples/ssd/ssd_pascal_webcam.py- 1
- 1
后期工作
- 研究SSD的python源代码，用来训练和检测交通标志\文本检测，人脸检测等等
作者给定的预训练模型
最近一直在搞object detection玩，之前用的是faster-rcnn，准确率方面73.2%，效果还不错，但是识别速度有点欠缺，我用的GPU是GTX980ti, 识别速度大概是15fps.最近发现SSD(single shot multibox detector) 这篇论文效果和速度都不错，我自己实验了一下，速度确实比faster-rcnn快不少。下面分两部分来介绍。第一部分介绍SSD的安装，第二部分介绍如何基于SSD训练自己的数据集。
- 1
- 2
- 3
- 1
- 2
- 3
第二部分 训练自己的数据集
首先我们不妨先跑一下项目的demo, 需要下载数据集，提前训练好的数据集等。
下载预训练的模型，链接：http://pan.baidu.com/s/1miDE9h2 密码：0hf2，下载完成后保存在：caffe/models/VGGNet/- 1
- 1
下载VOC2007和VOC2012数据集， 放在/data目录下：
cd data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
创建lmdb格式的数据：
cd caffe
./data/VOC0712/create_list.sh
# It will create lmdb files for trainval and test with encoded original image:
# - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_trainval_lmdb
# - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_test_lmdb
./data/VOC0712/create_data.sh- 1
- 2
- 3
- 4
- 5
- 6
- 1
- 2
- 3
- 4
- 5
- 6
训练和测试：
python examples/ssd/ssd_pascal.py
- 1
- 2
- 1
- 2
论文中，作者已经预训练好模型，下载链接：http://www.cs.unc.edu/%7Ewliu/projects/SSD/models_VGGNet_VOC0712_SSD_300x300.tar.gz，我们不必自己再去训练,
下载完成后放入指定的文件夹下。
测试时，我们使用/example/ssd/目录里的ssd_detect.ipynb，运行这个文件，需要安装ipython及ipython-notebook,
或者直接把里面的代码拷贝出来，写到一个新的Python文件里，比如命名ssd_detector.py.OK， 下面修改一系列文件来训练自己的数据集
两种方案， 第一：保持原来的文件目录结构及文件名不变， 只替换里面的数据。第二：重新新建一个与之前类似的目录结构，改成自己命名的文件夹，第二种方法，有一定的风险性，需要修改程序里涉及数据路径的代码。在之前讲解的faster-rcnnan那篇博客中， 我们采用第一种方案。本次我们采用第二种方案。
在/data目录下创建一个自己的文件夹：cd /data
mkdir mydataset- 1
- 2
- 1
- 2
把/data/VOC0712目录下的create_list.sh 、create_data.sh、labelmap_voc.prototxt 这三个文件拷贝到/mydataset下：
cp data/create* ./mydataset
cp data/label* ./mydataset- 1
- 2
- 1
- 2
labelmap_voc.prototxt, 此文件定义label。
在/data/VOCdevkit目录下创建mydataset, 并放入自己的数据集:
cd data/VOCdevkit
mkdir mydataset
cd mydataset
mkdir Annotations
mkdir ImageSets
mkdir JPEGImages
cd ImageSets
mkdir Layout
mkdir Main
mkdir Segmentation- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
其中Annotations中存放一些列XML文件，包含object的bbox，name等；
ImageSets中三个子目录下均存放train.txt, val.txt, trainval.txt, test.txt这几个文件，文件内容为图片的文件名（不带后缀）；
JPEGImages存放所有的图片；在/examples下创建mydataset文件夹：
mkdir mydataset- 1
- 1
文件夹内存放生成的lmdb文件。
上述文件夹创建好后， 开始生成lmdb文件, 在创建之前需要修改相关路径：
./data/mydataset/create_list.sh
./data/mydataset/create_data.sh- 1
- 2
- 1
- 2
此时，在examples/mydataset/文件夹下可以看到两个子文件夹, mydataset_trainval_lmdb, mydataset_test_lmdb；里面均包含data.dmb和lock.dmb;
到此为止,我们的数据集就做好了。接下来就开始训练了。训练程序为/examples/ssd/ssd_pascal.py，运行之前，我们需要修改相关路径代码：
cd /examples/ssd
vim sd_pascal.py， 修改如下：
57行： train_data路径；
59行：test_data路径；
197-203行：save_dir、snapshot_dir、job_dir、output_result_dir路径；
216-220行： name_size_file、label_map_file路径；
223行：num_classes 修改为1 + 类别数
315行：num_test_image：测试集图片数目- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
另外， 如果你只有一个GPU, 需要修改285行：
gpus=”0,1,2,3” ===> 改为”0”
否则，训练的时候会出错。
修改完后运行python ./examples/ssd/ssd_pascal.py- 1
- 1
训练完， 修改ssd_detector.py中模型路径， 任意找一张图片识别，看看效果怎么样。
参考：
【1】SSD论文Single Shot MultiBox Detector
【2】https://github.com/weiliu89/caffe/tree/ssd