用自己的数据训练MobileNetV2-SSDLite

 前面的文章介绍了如何安装caffe并切换到ssd分支，如何添加对ReLU6的支持，以及如何安装和使用MobileNetV2-SSDLite。这篇文章开始介绍如何利用自己的数据集训练MobileNetV2-SSDLite。这篇文章主要参考了caffe-SSD配置及用caffe-MobileNet-SSD训练自己的数据集，并作了一些修改。

---

数据集准备

 首先我们需要有图片以及与之对应的xml文件，并存放成VOC2007文件夹格式，可以采用labelImg工具进行标注，标注完成之后还需要切分训练集、验证集与测试集。这部分可以参考此篇博客。最终可以得到如以下所示的文件夹：

├── VOC2007
  ├── Annotations
      ├── xxxxxx.xml
      ├──        ...
  ├── ImageSets
      ├── Main
          ├── test.txt
          ├── train.txt
          ├── trainval.txt
          ├── val.txt
  ├── JPEGImages
      ├── xxxxxx.jpg
      ├──        ...

 接着需要将数据转换为训练用的lmdb文件，我们需要在之前安装了caffe的目录下找到data/VOC0712文件夹，把其下的create_list.sh和create_data.sh给复制到一个临时文件夹中去，并修改其下的label_voc.prototxt（根据数据集中的类别修改，注意保留第0类的背景类，也就是说如果你的数据集有一个类别，那么修改后的文件就会有两个类别），然后将修改后的label_voc.prototxt文件保存到之前的VOC2007文件夹下面。

 接着修改create_list.sh，将root_dir改为存放VOC2007的文件夹路径，并将第41行的$bash_dir/../../build/tools/get_image_size改为自己caffe路径下的build/tools/get_image_size（这是因为前面将create_list.sh这个文件从caffe目录下给复制了出来再作的修改，如果是在caffe目录下直接执行的话就不用改这一行了）。然后因为我是在Windows下标注的数据，而Windows和Linux下换行符的不同会使得执行时报类似io.cpp:187] Could not open or find file .../VOC2007/Annotations/000611的错，所以还需要修改第25行的"s/$/.jpg/g"为"s/\r$/.jpg/g"、第30行的"s/$/.xml/g"为"s/\r$/.xml/g"。输入bash create_list.sh执行可以得到以下输出：

Create list for VOC2007 trainval...
Create list for VOC2007 test...
I0716 15:05:41.717645 30716 get_image_size.cpp:61] A total of 1571 images.
I0716 15:06:58.354274 30716 get_image_size.cpp:100] Processed 1000 files.
I0716 15:07:34.616385 30716 get_image_size.cpp:105] Processed 1571 files.
Create list for VOC2007 train...
Create list for VOC2007 val...

 并且可以在临时文件夹下看到test_name_size.txt、test.txt、train.txt、trainval.txt、val.txt这几个文件。

 下面是我修改之后的create_list.sh以供参考：

#!/bin/bash

root_dir=/media/data2/chenjiarong/Parking   #修改1
sub_dir=ImageSets/Main
bash_dir="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
for dataset in trainval test train val      #修改2，也可不改
do
  dst_file=$bash_dir/$dataset.txt
  if [ -f $dst_file ]
  then
    rm -f $dst_file
  fi
  for name in VOC2007
  do
    if [[ $dataset == "test" && $name == "VOC2012" ]]
    then
      continue
    fi
    echo "Create list for $name $dataset..."
    dataset_file=$root_dir/$name/$sub_dir/$dataset.txt

    img_file=$bash_dir/$dataset"_img.txt"
    cp $dataset_file $img_file
    sed -i "s/^/$name\/JPEGImages\//g" $img_file
    sed -i "s/\r$/.jpg/g" $img_file     #修改3

    label_file=$bash_dir/$dataset"_label.txt"
    cp $dataset_file $label_file
    sed -i "s/^/$name\/Annotations\//g" $label_file
    sed -i "s/\r$/.xml/g" $label_file   #修改4

    paste -d' ' $img_file $label_file >> $dst_file

    rm -f $label_file
    rm -f $img_file
  done

  # Generate image name and size infomation.
  if [ $dataset == "test" ]
  then
    $bash_dir/../anaconda3/envs/ssdlite/caffe/build/tools/get_image_size $root_dir $dst_file $bash_dir/$dataset"_name_size.txt" #修改5
  fi

  # Shuffle trainval file.
  if [ $dataset == "trainval" ]
  then
    rand_file=$dst_file.random
    cat $dst_file | perl -MList::Util=shuffle -e 'print shuffle();' > $rand_file
    mv $rand_file $dst_file
  fi
done

 接着修改create_data.sh，具体见下面：

cur_dir=$(cd $( dirname ${BASH_SOURCE[0]} ) && pwd )
root_dir=~/anaconda3/envs/ssdlite/caffe     #修改为自己的caffe目录

cd $root_dir

redo=1
data_root_dir=".../Parking"    #修改为存放VOC2007文件夹的目录
dataset_name="VOC0712"
mapfile=".../VOC2007/labelmap_voc.prototxt" #修改为之前放置labelmap_voc文件的绝对路径
anno_type="detection"
db="lmdb"
min_dim=0
max_dim=0
width=0
height=0

extra_cmd="--encode-type=jpg --encoded"
if [ $redo ]
then
  extra_cmd="$extra_cmd --redo"
fi
for subset in test trainval
do
  python $root_dir/scripts/create_annoset.py \
  	--anno-type=$anno_type \
  	--label-map-file=$mapfile \
  	--min-dim=$min_dim --max-dim=$max_dim --resize-width=$width --resize-height=$height \
  	--check-label $extra_cmd $data_root_dir \
  	~/temp/$subset.txt \    #前一步生成的test.txt、trainval.txt的路径
  	$data_root_dir/$dataset_name/$db/$dataset_name"_"$subset"_"$db \    #生成lmdb文件的路径及名称
  	$root_dir/examples/$dataset_name    #修改为caffe路径
done

 接着需要激活caffe环境–conda activate ssdlite，再执行create_data.sh。成功后就可以在我们设置的路径下面看到一个lmdb文件夹了，其内有VOC0712_trainval_lmdb和VOC0712_test_lmdb两个之后要用到的文件。

配置训练文件

 这里参考了MobileNetv2-SSDlite训练自己的数据集（二）——训练MSSD与MobileNetv2-SSDLite训练自己的数据集)。首先，将前面修改之后的labelmap_voc.txt文件复制到MobileNetv2-SSDLite/ssdlite/voc文件夹下。然后，通过ssdlite目录下的gen_model.py生成train.prototxt、test.prototxt、deploy.prototxt（需要修改gen_model.py中caffe路径）：

cd ~/MobileNetv2-SSDLite/ssdlite
python gen_model.py -s train -c CLASS_NUM --tfpad --relu6 >train.prototxt
python gen_model.py -s test -c CLASS_NUM --tfpad --relu6 >test.prototxt
python gen_model.py -s deploy -c CLASS_NUM --tfpad --relu6 >deploy.prototxt
mv train.prototxt voc
mv test.prototxt voc
mv deploy.prototxt voc
cd voc

 其中的CLASS_NUM需要根据实际数据进行修改，其值为数据中类别数+1（加上背景类）；tfpad是为了消除识别时可能出现bounding box的偏差；relu6是为了将ReLU替换为ReLU6。

 然后需要修改train.prototxt中的参数，主要是修改data_param中source的值为之前生成的VOC0712_trainval_lmdb的路径，以及修改annotated_data_param中label_map_file的值为修改后的labelmap_voc.prototxt的地址。对于test.prototxt的修改是类似的。此外，如果GPU显存太少，还需要将train.prototxt的data_param中batch_size的值改小。

 对于solver_train.prototxt和solver_test.prototxt的修改则根据需要自行修改，比如几次迭代保存一次模型需要修改snapshot，模型保存地址修改snapshot_prefix等。

 最后还需要修改train.sh和test.sh，主要修改snapshot为前面设置的模型保存地址，修改../../build/tools/caffe为自己的caffe地址。如果要使用预训练模型，将-weights指定为预训练模型的位置，否则注释掉。

 到这里就可以进行训练了：

conda activate ssdlite
CUDA_VISIBLE_DEVICES=1 sh train.sh

 但是我自己训练的时候又报了status == CUDNN_STATUS_SUCCESS (4 vs. 0) CUDNN_STATUS_INTERNAL_ERROR的错，具体原因可以看这篇博客，这里的做法就是将用到depthwise（深度卷积）的地方都用CPU跑（加上一句engine: CAFFE），所以需要对三个xxx.prototxt文件都做多处的类似修改（在编辑器下搜索group可以快速定位到需要修改的地方）：

layer {
  name: "conv/depthwise"
  type: "Convolution"
  bottom: "Conv"
  top: "conv/depthwise"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  convolution_param {
    num_output: 32
    bias_term: false
    pad: 1
    kernel_size: 3
    group: 32
    engine: CAFFE
    weight_filler {
      type: "msra"
    }
  }
}

 修改之后再重新训练就没问题了，下图所示是训练的过程：

训练过程