SSD配置、训练、测试以及应用到自己的数据集

git clone https://github.com/weiliu89/caffe.git

（上面的版本可能存在问题，最好是在https://github.com/weiliu89/caffe/tree/ssd下载zip文件）

git checkout ssd

make all

如果报错：

/usr/include/boost/property_tree/detail/json_parser_read.hpp:257:264: error: ‘type name’ declared as function returning an array
make: *** [.build_release/cuda/src/caffe/layers/detection_output_layer.o] Error 1

解决方案： https://github.com/BVLC/caffe/issues/4957

make pycaffe

下载预训练模型（ 链接：http://pan.baidu.com/s/1miDE9h2，密码：0hf2），放到        

caffe/models/VGGNet/目录下
下载VOC2007和VOC2012数据集，放到caffe/data/目录下

下载数据集

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

解压数据集

tar -xvf VOCtrainval_11-May-2012.tar 

tar -xvf VOCtrainval_06-Nov- 2007 .tar  

tar -xvf VOCtest_06-Nov- 2007 .tar

将图片转化为LMDB文件，用于训练。需要先修改create_list.sh 和create_data.sh文件。

对于create_list.sh 文件，修改root_dir为VOCdevkit所在的位置，对于我的电脑， root_dir=$HOME/guowei/caffe-master/data/VOCdevkit/

对于create_data.sh 文件，修改data_root_dir为VOCdevkit所在的位置，对于我的电脑，root_dir=$HOME/XIAOVV/caffe-master/data/VOCdevkit/

运行转换程序

./data/VOC0712/create_list.sh 

./ data / VOC0712 /create_data.sh

解决方案： https://github.com/weiliu89/caffe/issues/4

解决方案：export PYTHONPATH=/home/amax/XIAOVV/caffe-

ssd/python:/home/amax/anaconda/include/python2.7

开始训练：

python examples/ssd/ssd_pascal.py

报错：importerror：no module named model_libs

需要重新生成LMDB文件 ./data/VOC0712/create_list.sh ./data/VOC0712/create_data.sh

然后重新训练：

python examples/ssd/ssd_pascal.py

图片数据集上测试：

python examples/ssd/score_ssd_pascal.py

利用caffe/examples/ssd_detect.ipynb文件可以用单张图片测试检测效果(注意文件内加载文件的路径，如果报错修改为绝对路径)

训练自己的数据集

准备自己的数据集（VOC2007格式），这里我的数据集叫做VOC1000

复制VOC0712文件夹，重命名为VOC1000

修改create_list.sh

#root_dir=$HOME/ guowei/caffe-ssd/data/VOCdevkit/

for name in VOC1000

修改create_data.sh

data_root_dir="$HOME/guowei/caffe-ssd/data/VOCdevkit"

dataset_name="VOC1000"

修改labelmap_voc.prototxt(我的类别只有飞机，所以为背景和飞机）

item {

  name: "none_of_the_above"

  label: 0

  display_name: "background"

}

item {

  name: "aeroplane"

  label: 1

  display_name: "aeroplane"

}

生成数据

./data/VOC1000/create_list.sh

./data/VOC1000/create_data.sh

开始训练自己的数据

复制ssd_pascal.py，重命名为ssd_pascal1000.py

train_data = "examples/VOC1000/VOC1000_trainval_lmdb"

test_data = "examples/VOC1000/VOC1000_test_lmdb"

num_test_image换成自己数据集中测试图片的数目

num_classes换成自己的类别数目+1，我的是2

VOC0712都换成VOC1000

执行训练

python examples/ssd/ssd_pascal1000.py

结果如下图：

测试精度为77.2%，迭代1200次，基于VGGNet.