SSD的配置及运行

来源：互联网发布：网络系统安全课程编辑：程序博客网时间：2024/04/30 20:24

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.config1
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.tar1
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.tar1
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.sh1
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.py1
1
```
实验效果
（1）在图片测试集上测试
```
   python examples/ssd/score_ssd_pascal.py1
1
```
利用它跑了一遍数据集，得出准确率可以达到百分之70多
（2）在视频上测试
```
   python examples/ssd/ssd_pascal_video.py 1
1
```
利用师兄的行人视频做了测试，实时性高，但是漏检率蛮严重的，这是不可避免的

当然，直接跑是他自带的视频，想跑自己的代码的话，要先用vim打开该文件，定位到51行，修改视频路径为已有本地视频，这样就可以畅快的跑自己的视频
（3）在摄像头上测试
```
   python examples/ssd/ssd_pascal_webcam.py1
1
```
博主移植到台式机上出现了问题，还没有改好bug，改好了会分享给大家
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
如果没有好的机器配置或者省事一些的，可以使用作者给出的训练好的模型：
- Models trained on VOC0712：SSD300 SSD500
- 还有其他的模型，这里就不一一列举，感兴趣的可以去官方主页看，链接已在前面给出
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 datawget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tarwget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tarwget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tartar -xvf VOCtrainval_11-May-2012.tartar -xvf VOCtrainval_06-Nov-2007.tartar -xvf VOCtest_06-Nov-2007.tar1
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.sh1
2
3
4
5
6
1
2
3
4
5
6
```
训练和测试：
```
python examples/ssd/ssd_pascal.py1
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 /datamkdir mydataset1
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* ./mydatasetcp data/label* ./mydataset1
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/VOCdevkitmkdir mydatasetcd mydatasetmkdir Annotationsmkdir ImageSetsmkdir JPEGImagescd ImageSetsmkdir Layoutmkdir Mainmkdir Segmentation1
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 mydataset1
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.sh1
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/ssdvim 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

0 0

SSD的配置及运行

SSD的安装

准备工作

训练模型

实验效果

（1）在图片测试集上测试

（2）在视频上测试

（3）在摄像头上测试

后期工作

作者给定的预训练模型

第二部分 训练自己的数据集

第二部分训练自己的数据集