Caffe学习系列（十二）：Caffe-SSD 输出准确率、召回率和P-R曲线

Caffe学习系列（十二）：Caffe-SSD 输出准确率、召回率和P-R曲线

1.SSD网络模型修改

VGG的网络模型由 ssd_pascal.py 文件生成，可生成 VGG，ZF，Resnet101 和 Resnet152 四种网络。

# Create train net.  # 生成训练网络  往下还有 test net 和 deploy net
net = caffe.NetSpec()
net.data, net.label = CreateAnnotatedDataLayer(train_data, batch_size=batch_size_per_device,
        train=True, output_label=True, label_map_file=label_map_file,
        transform_param=train_transform_param, batch_sampler=batch_sampler)

VGGNetBody(net, from_layer='data', fully_conv=True, reduced=True, dilated=True,
    dropout=False)  # 生成 VGGNet

AddExtraLayers(net, use_batchnorm, lr_mult=lr_mult)

mbox_layers = CreateMultiBoxHead(net, data_layer='data', from_layers=mbox_source_layers,
        use_batchnorm=use_batchnorm, min_sizes=min_sizes, max_sizes=max_sizes,
        aspect_ratios=aspect_ratios, steps=steps, normalizations=normalizations,
        num_classes=num_classes, share_location=share_location, flip=flip, clip=clip,
        prior_variance=prior_variance, kernel_size=3, pad=1, lr_mult=lr_mult)

VGGNetBody 函数在 caffe/python/caffe/model_libs.py 文件中定义，此外，还定义了其他网络，因此若要修改VGGNet网络模型，需修改model_libs.py 文件。

def VGGNetBody(net, from_layer, need_fc=True, fully_conv=False, reduced=False,
        dilated=False, nopool=False, dropout=True, freeze_layers=[], dilate_pool4=False):
    kwargs = {
            'param': [dict(lr_mult=1, decay_mult=1), dict(lr_mult=2, decay_mult=0)],
            'weight_filler': dict(type='xavier'),
            'bias_filler': dict(type='constant', value=0)}

    assert from_layer in net.keys()
    net.conv1_1 = L.Convolution(net[from_layer], num_output=64, pad=1, kernel_size=3, **kwargs)

    net.relu1_1 = L.ReLU(net.conv1_1, in_place=True)
    net.conv1_2 = L.Convolution(net.relu1_1, num_output=64, pad=1, kernel_size=3, **kwargs)
    net.relu1_2 = L.ReLU(net.conv1_2, in_place=True)

2.输出准确率和召回率值

准确率和召回率
P-R曲线

主要修改的文件

• src/caffe/proto/caffe.proto
• src/caffe/solver.cpp

2.1 添加参数

    在src/caffe/proto/caffe.proto中的SolverParameter这个message下加上一个参数rec_prec_thr，该参数是判断样本是否为true positive (tp) 的score阈值，我们给他一个默认值0.6，代码如下（注意序列号在自己的SolverParameter最后的序列号上加1）

optional float rec_prec_thr = 46 [default = 0.6];

2.2 添加函数

src/caffe/solver.cpp的void Solver::TestDetection(const int test_net_id)函数中加入计算recall和precision的代码
本人与参考博主的代码有所差异，修改后的文件放在了这里

在以下路径运行测试命令，结果如下（注意路径）：

3.注意事项

1. 测试时的公式关系

1.测试集图片数量 = batch_size * test_iter

其中，batch_size 在 test.prototxt 文件中查看，test_iter 在 solver_test.prototxt 文件中查看

2. 使用预训练模型可加速收敛
   若自己的数据集较大且复杂难以训练，可制作一个小数据集用于预训练，再用训练的模型作为大数据集的预训练模型进行训练。