SSD训练过程

SSD 使用自己的数据集训练模型

SSD中预留了多种数据集的训练方式，可在caffe/data目录下看到这些数据集预处理的方式，这里使用VOC0712格式数据集

 

1、准备原始数据

检查原始数据集是否符合以下规范

 

dataset         （数据集目录）

  --Annotations

      ***.xml   （标注的物体信息文件）

  --Images

      ***.jpg    （图片集）

  --ImageSets              

      test.txt   （测试集） （保存格式为文件名，不带扩展名）

      train.txt   （训练集） （保存格式为文件名，不带扩展名）

  --results

      (null)       （留作保存结果）

 

2、生成训练数据集

1. 将VOC0712目录下的create_data.sh labelmap_voc.prototxt create_list.sh三个文件复制到数据集目录下，这几个文件可以根据自己的需要修改文件名。

2. 修改create_data.sh内容

root_dir=/home/sea/caffe  （指定SSD目录，最好用绝对路径）

data_root_dir="$HOME/caffe/data/Fruit4"   （指定原始数据集路径）

dataset_name="Fruit4"                     （将要生成的数据集名称）

mapfile="$root_dir/data/$dataset_name/labelmap_fruit4.prototxt"

               （标签映射，注意labelmap_***.prototxt要与你修改的文件名称相对应）

其他内容暂时没必要修改

3. 修改create_list.sh内容

root_dir=$HOME/caffe/data/Fruit4   （原始数据集路径）

sub_dir=ImageSets                  （保存train.txt和test.txt的目录名称）

删除第13行for循环，这个for循环的作用是分别处理voc2007和voc2012两个数据集，这里我们只处理一个数据集，因此只提取for循环中的一次操作  （注意下面还有个done）

sed -i "s/^/\Images\//g" $img_file   （保存图片的目录名称）

sed -i "s/^/\Annotations\//g" $label_file  （保存标注的目录名称）

if [ $dataset == "test" ]             （这里对应的test.txt）

if [ $dataset == "train" ]            （这里对应的train.txt）

4. 修改labelmap_***.prototxt内容

没有顺序要求，background不需要动，打开文件就知道怎么改了

5. 运行create_list.sh，会看到数据集目录下生成了test.txt train.txt test_name_size.txt

6. 运行create_data.sh，会看到数据集目录下生成了在文件中指定的新的数据集（例如我指定的Fruit4），这个目录下保存着lmdb文件，并且在example/Fruit4目录下省城了lmdb软链接

 

3、开始训练

1. 复制一份example目录下的ssd文件夹，这里我重命名为fruit4，修改ssd_pascal.py内容

train_data = "examples/Fruit4/Fruit4_train_lmdb" (保存lmdb的路径)

test_data = "examples/Fruit4/Fruit4_test_lmdb"

job_name = "fruit4_{}".format(resize)            （job名称）

model_name = "fruit4_{}".format(job_name)        （model名称）

save_dir = "/home/sea/caffe/models/fruit4_models/{}".format(job_name)

                                              （保存model的路径）

snapshot_dir = "/home/sea/caffe/models/fruit4_models/{}".format(job_name)

                                              （保存snapshot的路径）

job_dir = "jobs/fruit4_jobs/{}".format(job_name)  （job路径）

output_result_dir = "{}/caffe/data/Fruit4/results/".format(os.environ['HOME'])  （保存检测结果）

name_size_file = "data/Fruit4/test_name_size.txt"

                                             （test_name_size.txt路径）   

label_map_file = "data/Fruit4/labelmap_fruit4.prototxt"

                                            （labelmap_***.prototxt路径）

num_classes = 5                             （目标种类+1）

以上为必须修改的地方，其他参数可以根据需要进行修改

2. 运行python example/fruit4/ssd_pascal.py

可以看到网络已经开始训练，训练模型保存在models/fruit4_models_fruit4_300×300目录下

 

4、使用模型

1. 修改example/fruit4/ssd_pascal_webcam.py内容

num_classes = 5

 

label_map_file = "data/Fruit4/labelmap_fruit4.prototxt"

 

job_name = "fruit4_{}".format(resize)

 

model_name = "fruit4_{}".format(job_name)

                                            （labelmap_***.prototxt路径）

save_dir = "models/fruit4_models/{}_webcam".format(job_name)

                                            （test.prototxt的路径）

snapshot_dir = "models/fruit4_models/{}".format(job_name)

                                            （model路径）

job_dir = "jobs/fruit4_jobs{}_webcam".format(job_name)

                                             （job路径）

2. 运行python example/fruit4/ssd_pascal_webcam.py

前提是你要有摄像头

5、解释一下什么是job

job相当于一个工程，其中存有训练、测试的脚本和日志，其中的脚本或程序是上述步骤生成的可以独立运行的脚本或程序。

 

检测：

 ./build/examples/ssd/ssd_detect.bin models/person2016_models/person2016_300x300/deploy.prototxt models/person2016_models/person2016_300x300/person2016_person2016_300x300_iter_60000.caffemodel /home/chase/caffe-ssd/data/person2016/TEST.txt > logs/person2016.txt