SSD: Single Shot MultiBox Detector
從 Github 上面下載源工程代碼：caffe-SSD

配置Caffe-SSD

• 進入caffe-ssd 主目錄：cp /home/xxx/.../caffe-ssd/

  cp Makefile.config.example Makefile.config
  

• 編譯項目：（進入 caffe-ssd 主目錄）

     make -j8
     make py
     make test -j8
     make runtest -j8
  

  CUDA 版本比較高的需要注釋掉config里面最后一行內(nèi)容：

Makefile.config

• 數(shù)據(jù)文件準備

  • 預訓練模型（VGG）：VGG_ILSVRC_16_layers_fc_reduced.caffemodel
    （下載地址：密碼: t9ub）

    下載完畢后將VGG模型放到caffe主目錄下 models\VGGNet 下面(如果沒有的話，models 下面沒有的話mkdir VGGNet)

  • VOC2007 和 VOC2012 數(shù)據(jù)集

    進入caffe主目錄下的data目錄：

  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
  

  如果安裝失敗，請轉(zhuǎn)到：（VOC 2007 & 2012 Dataset 密碼：j3in ）

  緊接著解壓：

  tar -xvf VOCtrainval_11-May-2012.tar 
  tar -xvf VOCtrainval_06-Nov-2007.tar 
  tar -xvf VOCtest_06-Nov-2007.tar
  

  • 將數(shù)據(jù)轉(zhuǎn)換為caffe處理的數(shù)據(jù)類型（LMDB）：

    cd caffe主目錄，執(zhí)行：

  ./data/VOC0712/create_list.sh
  ./data/VOC0712/create_data.sh
  

  注意在執(zhí)行 create_data.sh 如果提示no module caffe 的話，用如下指令：
  export PYTHONPATH=$PYTHONPATH:/home/xxx/.../caffe主目錄/python（自行修改中間路徑）

  • 訓練示例
    在caffe主目錄下面運行：
    python examples/ssd/ssd_pascal.py
  • 評估 & 檢測

  python examples/ssd/score_ssd_pascal.py
  python examples/ssd/ssd_detect.py
  

  這里注意指定使用的快照模型的路徑 & 在caffe主目錄下面運行程序
  

  ssd_detect.py

訓練

• 訓練準備
  創(chuàng)建自己的數(shù)據(jù)目錄myData:

cd /data
mkdir myData

將/data/VOC0712下面的create_list.sh,create_data.sh,labelmap_voc.protoxt這三個文件拷貝到'data/myData':

cp data/create* ./myData
cp data/label* ./myData

在/data/VOCdevkit目錄按照VOC數(shù)據(jù)框架下面創(chuàng)建myData,用來存放自己的數(shù)據(jù)集

cd data/VOCdevikit
mkdir myData
cd myData
mkdir Annotations
mkdir ImageSets
mkdir JPEGImages
cd ImageSets
mkdir Layout
mkdir Main
mkdir Segmentation 

一般地，我們只需要關注 ：
Annotations：XML描述文件
ImageSets: Main目錄下面放 train.txt, val.txt, trainval.txt, test.txt
JPEGImages:存放所有圖片

• 制作VOC數(shù)據(jù)集
  按照VOC Dataset要求整理好數(shù)據(jù)集后，將之轉(zhuǎn)換為caffe的輸入數(shù)據(jù)。首先，根據(jù)自己數(shù)據(jù)集特點，修改labelmap_voc.protxt,注意保留item中background類，其余的類別可以按照自己的需要照葫蘆畫瓢，給一個簡單的示例：
  
  item.PNG
  
  然后，依次運行create_list.sh,create_data.sh.注意修改sh中的路徑到你自定義的數(shù)據(jù)集路徑。
  需要注意的參數(shù)有：
  create_data.sh: data_root_dir, data_name,mapfile
  create_list.sh: root_dir,

# create_list.sh 中應該注釋掉
#    if [[ $dataset == "test" && $name == "VOC2012" ]]
#    then
#      continue
#    fi

• 訓練
  在python主目錄下運行命令：
  python examples/ssd/ssd_pascal.py

#需要指定的路徑與參數(shù)
...
train_data = xxx/xxx_test_lmdb
test_data = xxx/xxx_trainval_lmdb
...
model_name =
save_dir =
snapshot_dir =
job_dir = 
output_result_dir =
...
name_size_file =
pretrain_model =
label_map_file =
...
num_classes =
...
num_test_image =

Note: solver parameters中GPU的指定,個數(shù)不要超過可用個數(shù)，可以用nvidia-smi來查看可用GPU情況;另外，也可以調(diào)整solver_param參數(shù)，比如：iter_size, max_iter, etc.

檢測

• score_pascal.py
  Note: 注意修改參數(shù)與ssd_pascal.py中的路徑相同

• ssd_detect.py**
  Note: 檢測單張圖片，指定‘--gpu_id’, '--model_def', '--model_weights', '--image_file'.

• 批量完成test images的可視化

  • 利用caffe主目錄下build/examples/ssd/ssd_detect.bin對test結(jié)果進行文本輸出，輸出的格式為 ( path,label,confidence,xmin,ymin,xmax,ymax )

  caffe root 下執(zhí)行：

  build/examples/ssd/ssd_detect.bin models/VGGNet/mydataset/SSD_300x300/deploy.prototxt   models/VGGNet/mydataset/SSD_300x300/mydataset_SSD_300x300_iter_100236.caffemodel    data/VOCdevkit/mydataset/test_img_path.txt --confidence_threshold 0.5 --out_file output.txt`
  

  • 利用plot_detections.py進行檢測結(jié)果的可視化

  output.txt 是 ssd_detect.bin 生成的檢測結(jié)果的txt文檔

  python examples/ssd/plot_detections.py output.txt /home/wxb/caffe-ssd --labelmap-file data/mydataset/labelmap_voc.prototxt --save-dir results/bbox_results/SSD_300x300/Main/img/