caffe下SSD训练与测试

SSD: Single Shot MultiBox Detector
从 Github 上面下载源工程代码：caffe-SSD

配置Caffe-SSD

• 进入caffe-ssd 主目录：cp /home/xxx/.../caffe-ssd/

  cp Makefile.config.example Makefile.config
  

• 编译项目：（进入 caffe-ssd 主目录）

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

  CUDA 版本比较高的需要注释掉config里面最后一行内容：

Makefile.config

• 数据文件准备

  • 预训练模型（VGG）：VGG_ILSVRC_16_layers_fc_reduced.caffemodel
    （下载地址：密码: t9ub）

    下载完毕后将VGG模型放到caffe主目录下 models\VGGNet 下面(如果没有的话，models 下面没有的话mkdir VGGNet)

  • VOC2007 和 VOC2012 数据集

    进入caffe主目录下的data目录：

  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
  

  如果安装失败，请转到：（VOC 2007 & 2012 Dataset 密码：j3in ）

  紧接着解压：

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

  • 将数据转换为caffe处理的数据类型（LMDB）：

    cd caffe主目录，执行：

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

  注意在执行 create_data.sh 如果提示no module caffe 的话，用如下指令：
  export PYTHONPATH=$PYTHONPATH:/home/xxx/.../caffe主目录/python（自行修改中间路径）

  • 训练示例
    在caffe主目录下面运行：
    python examples/ssd/ssd_pascal.py
  • 评估 & 检测

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

  这里注意指定使用的快照模型的路径 & 在caffe主目录下面运行程序
  

  

  ssd_detect.py

训练

• 训练准备
  创建自己的数据目录myData:

cd /data
mkdir myData

将/data/VOC0712下面的create_list.sh,create_data.sh,labelmap_voc.protoxt这三个文件拷贝到'data/myData':

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

在/data/VOCdevkit目录按照VOC数据框架下面创建myData,用来存放自己的数据集

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

一般地，我们只需要关注 ：
Annotations：XML描述文件
ImageSets: Main目录下面放 train.txt, val.txt, trainval.txt, test.txt
JPEGImages:存放所有图片

• 制作VOC数据集
  按照VOC Dataset要求整理好数据集后，将之转换为caffe的输入数据。首先，根据自己数据集特点，修改labelmap_voc.protxt,注意保留item中background类，其余的类别可以按照自己的需要照葫芦画瓢，给一个简单的示例：
  
  

  item.PNG
  
  然后，依次运行create_list.sh,create_data.sh.注意修改sh中的路径到你自定义的数据集路径。
  需要注意的参数有：
  create_data.sh: data_root_dir, data_name,mapfile
  create_list.sh: root_dir,

# create_list.sh 中应该注释掉
#    if [[ $dataset == "test" && $name == "VOC2012" ]]
#    then
#      continue
#    fi

• 训练
  在python主目录下运行命令：
  python examples/ssd/ssd_pascal.py

#需要指定的路径与参数
...
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,个数不要超过可用个数，可以用nvidia-smi来查看可用GPU情况;另外，也可以调整solver_param参数，比如：iter_size, max_iter, etc.

检测

• score_pascal.py
  Note: 注意修改参数与ssd_pascal.py中的路径相同

• ssd_detect.py**
  Note: 检测单张图片，指定‘--gpu_id’, '--model_def', '--model_weights', '--image_file'.

• 批量完成test images的可视化

  • 利用caffe主目录下build/examples/ssd/ssd_detect.bin对test结果进行文本输出，输出的格式为 ( path,label,confidence,xmin,ymin,xmax,ymax )

  caffe root 下执行：

  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进行检测结果的可视化

  output.txt 是 ssd_detect.bin 生成的检测结果的txt文档

  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/