Tensorflow-SSD测试及训练自己的数据集

一、## 软件 ##
Python + Tensorflow + OpenCV3

二、## 安装测试 ##
1、ssd_notebook.ipynb测试
（1）下载程序包并解压。 源代码GitHub： balancap/SSD-Tensorflow
（2）打开终端，进入目录路径，运行：
jupyter notebook notebooks/ssd_notebook.ipynb

2、py脚本测试
不使用notebook方法，直接在python中实现。
（1）在根目录下新建一个Python脚本文件 ssd_Python.py，将ssd_notebook.ipynb中的代码复制进去，其中将最后几行代码进行更改，将
img = mpimg.imread(path + image_names[-5])
替换为：

for it  in image_names:
    img = mpimg.imread(path + it)
    i+=1
    if i>4: break
    rclasses, rscores, rbboxes =  process_image(img)
    visualization.plt_bboxes(img, rclasses, rscores, rbboxes)

（2）然后在终端直接运行：

Python ssd_Python.py

三、## 训练自己的数据集 ##
1、数据转换
因为SSD不是直接使用的VOC数据集格式，所以要将其转换为特定格式，使用 tf_convert_data.py进行数据转换。在终端输入转换命令：

DATASET_DIR=./VOC2007/test/
OUTPUT_DIR=./tfrecords
python tf_convert_data.py \
    --dataset_name=pascalvoc \
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_train \
    --output_dir=${OUTPUT_DIR}

由于比较懒，我是直接将这些变量代入到程序中，这样就可以直接运行：

python tf_convert_data.py

最后将数据转换为类似这种形式：VOC2007_000.tfrecord的文件。
2、训练
下载网络基本框架：VGG_16
之后运行：

DATASET_DIR=./tfrecords
TRAIN_DIR=./log/
CHECKPOINT_PATH=./checkpoints/vgg_16.ckpt
python train_ssd_network.py \
    --train_dir=${TRAIN_DIR} \
    --dataset_dir=${DATASET_DIR} \
    --dataset_name=pascalvoc_2007 \
    --dataset_split_name=train \
    --model_name=ssd_300_vgg \
    --checkpoint_path=${CHECKPOINT_PATH} \
    --checkpoint_model_scope=vgg_16 \
    --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \
    --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \
    --save_summaries_secs=60 \
    --save_interval_secs=600 \
    --weight_decay=0.0005 \
    --optimizer=adam \
    --learning_rate=0.001 \
    --learning_rate_decay_factor=0.94 \
    --batch_size=32

我还是将其代入到程序中的变量里了，可以直接运行：

python train_ssd_network.py

训练到后期，未得到更好的结果，还可以进行微调训练，参考这里 balancap/SSD-Tensorflow 的 README.md 最后部分。

这其中会遇到各种问题：
（1）在解压文件目录下找到 datasets/pascalvoc_common.py ,根据自己数据集的类别更改 VOC_LABELS 变量。
（2）同样在 datasets文件夹下，仿照pascalvoc_2012.py文件，结合自己的数据集建立自己的类似文件。
（3）如果你的数据及不是jpg格式的，根据出现的错误，将程序中对应位置改为你的图片格式。

最后，训练自己的数据集过程中还是会遇到一些问题，根据错误提示，看看访问的路径，数据格式是否存在问题，进一步解决。

参考：balancap/SSD-Tensorflow