基于mobilenet-ssd训练车牌识别模型

为了在移动端或者嵌入式平台进行深度学习物体检测，faster-rcnn等框架训练得到的模型在体积、速度上都存在一定的限制。这里我们介绍一下智云视图（www.zeusee.com）开源的车牌检测模型，利用mobilenet训练一个ssd物体检测框架。经测试，该模型在720P图像上，CPU测试时间低于200ms,具有一定的工程化优势。 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，这里以车牌数据为例。

第一部分 SSD安装

系统：ubuntu 14.04 
语言：python 
ssd项目主页：https://github.com/weiliu89/caffe/tree/ssd 
首先，我们把项目代码clone下来,然后编译：

git clone https://github.com/weiliu89/caffe.git

cd caffe

git checkout ssd

接下来，我们开始编译caffe,编译caffe非常容易，这里我们滤过，如若感兴趣，可参考我之前的博客：http://blog.csdn.net/zhang_shuai12/article/details/52289825，此篇讲的是caffe + cpu + ubuntu14.04的安装， GPU版安装需修改Makefile.config文件， 修改完成后：

make
make py

到这里我们就完成了SSD的安装，接下来我们讲一下如何训练自己的数据集。

第二部分 准备数据集

首先，我们需要准备已经标注好的车牌数据集，这里我们采用了5500张已经标注好的数据。已经标注的数据我们以txt文件的形式

记录。格式为 path/image.jpg x y w h ,分别代表图片的路径，标注车牌的x、y坐标点，w，h代表标注车牌的宽高。

接下来我们需要根据标注的数据，形成训练需要的xml文件，参考VOC数据集xml文件的格式，写一个简单的python脚本。

然后坐直trainval.txt和test.txt文件，其中trainval为训练的数据图片与对应的xml文件，test中包含测试需要的图片及

xml文件，格式为path/1.jpg path/1.xml。

最后将测试需要的图片组织形成一个test_name_size.txt，内容为测试的image h w(图片名称，不带后缀)。修改

caffe-ssd/data/voc 目录下的labelmap_license_prototxt,内容为：

修改create_list.sh和create_data.sh对应的路径

创建lmdb格式的数据：

cd caffe
./data/license/create_list.sh

./data/license/create_data.sh

至此，我们的数据已经准备完毕。

第三部分 训练模型

前面我们说到基于mobilenet，首先我们去 https://github.com/chuanqi305/MobileNet-SSD 下载预训练模型，放在

caffe-ssd的models目录中。

把/data/VOC0712目录下的create_list.sh 、create_data.sh、labelmap_voc.prototxt 这三个文件拷贝到/license下：

cp data/create* ./license

cp data/label* ./license

利用该链接下template文件夹内的训练prototxt文件，修改其中的分类数目。同时将

MobileNetSSD_train_template.prototxt和MobileNetSSD_test_template.prototxt文件的训练数据路径修改为我们自己的路径。

训练得到的模型连接如下：

https://github.com/zeusees/SSD_License_Plate_Detection

参考：

http://blog.csdn.net/zhang_shuai12/article/details/52346878