目标检测算法SSD之训练自己的数据集
prerequesties 预备知识/前提条件
下载和配置了最新SSD代码
git clone https://github.com/weiliu89/caffe ~/work/ssd
cd $_
git checkout ssd编译caffe
下载必要的模型（包括prototxt和caffemodel）；
运行了evaluation和webcam的例子，会提示caffe的import报错。添加pycaffe路径到PYTHONPATH环境变量，或者写一个_init_paths.py来辅助引入都可以（推荐后者）。
准备自己的数据集
做成VOC2007格式的：
JPEGImages/*.png
ImageSets/Main/*.txt
Annotations/*.xml这3个目录
生成训练用的lmdb数据
我这里数据集名叫traffic_sign，放在/home/chris/data/traffic_sign
1.复制原有脚本文件
cd ~/work/ssd
cp -R data/VOC0712 data/traffic_sign2.修改data/traffic_sign/create_list.sh
#!/bin/bash
#root_dir=$HOME/data/VOCdevkit/
root_dir=$HOME/data/
sub_dir=ImageSets/Main
bash_dir="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)" #当前文件所在目录
for dataset in train test
do
dst_file=$bash_dir/$dataset.txt
if [ -f $dst_file ]
then
rm -f $dst_file
fi
for name in traffic_sign
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" $img_file #在行首插入目录名
sed -i "s/$/.png/g" $img_file #在行尾追加.png后缀
label_file=$bash_dir/$dataset"_label.txt"
cp $dataset_file $label_file
sed -i "s/^/$name\/Annotations\//g" $label_file #在行首插入目录名
sed -i "s/$/.xml/g" $label_file #在行尾追加.xml后缀
paste -d' ' $img_file $label_file >> $dst_file #img_file和label文件的对应行拼接
rm -f $label_file
rm -f $img_file
done
# Generate image name and size infomation.
if [ $dataset == "test" ]
then
$bash_dir/../../build/tools/get_image_size $root_dir $dst_file $bash_dir/$dataset"_name_size.txt"
fi
# Shuffle train file.
if [ $dataset == "train" ]
then
rand_file=$dst_file.random
cat $dst_file | perl -MList::Util=shuffle -e 'print shuffle();' > $rand_file
mv $rand_file $dst_file
fi
done3.修改data/traffic_sign/create_data.sh：
#!/bin/bash
cur_dir=$(cd $( dirname ${BASH_SOURCE[0]} ) && pwd )
root_dir=$cur_dir/../..
cd $root_dir
redo=1
data_root_dir="$HOME/data"
#dataset_name="VOC0712"
dataset_name="traffic_sign"
mapfile="$root_dir/data/$dataset_name/labelmap_voc.prototxt"
anno_type="detection"
db="lmdb"
min_dim=0
max_dim=0
width=0
height=0
extra_cmd="--encode-type=png --encoded"
if [ $redo ]
then
extra_cmd="$extra_cmd --redo"
fi
for subset in test train
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 $root_dir/data/$dataset_name/$subset.txt $data_root_dir/$dataset_name/$db/$dataset_name"_"$subset"_"$db examples/$dataset_name
done4.修改data/traffic_sign/labelmap_voc.prototxt
item {
name: "none_of_the_above"
label: 0
display_name: "background"
}
item {
name: "sign"
label: 1
display_name: "sign"
}5.生成数据
# 确保你还是在ssd代码根目录，比如我是~/work/ssd
./data/traffic_sign/create_list.sh
./data/traffic_sign/create_data.sh执行训练
依然需要修改ssd默认的训练脚本内容，来匹配自己的数据集。
1.复制原有训练脚本
cd ~/work/ssd
cd examples/ssd
cp ssd_pascal.py ssd_traffic.py2.修改训练脚本
编辑ssd_traffic.py内容，修改：
数据集指向
train_data和test_data, 指向examples中你的数据，例如:train_data = "examples/traffic_sign/traffic_sign_train_lmdb" test_data = "examples/traffic_sign/trainffic_sign_test_lmdb"这里很奇怪，我的
examples/traffic_sign/目录下确实有这两个lmdb的文件夹，是指向~/data/traffic_sign/lmdb/目录下的两个lmdb文件夹，但是训练时提示lmdb错误。
换成链接文件的源文件，也就是写绝对路径，就不报错了。
- 测试图像数量
num_test_image 该变量修改成自己数据集中测试数据图片的数量
- 类别数
num_classes 该变量修改成自己数据集中 标签类别数量数 + 1
- gpu选项
gpus = "0,1,2,3" 电脑有几个gpu就写多少个，如果有一个就写gpus="0",两个就写gpus="0,1",以此类推
- 迭代次数
solver_param = {
...
'stepvalue': [50000, 60000, 70000],
'max_iter': 70000,
'snapshot': 10000,
}各种
VOC0712换成自己数据集的名字（我的是traffic_sign)model_name = "VGG_traffic_sign_{}".format(job_name) save_dir = "models/VGGNet/traffic_sign/{}".format(job_name) snapshot_dir = job_dir = name_size_file = label_map_file =batch_size
比如6G显存的970显卡，跑不起来SSD。修改：batch_size = 16 # 32->16 accum_batch_size = 16 # 32->16此时显存占用为
4975MiB
如果你显存很大，与其闲置不如使用它，调大batch_size即可
base_lr
调整了batch_size或单纯因为数据集的原因，导致出现loss为nan的情况，考虑减小学习率，这里通过减小base_lr实现。
3.执行训练
```bash
cd ~/work/ssd #务必到ssd的根目录执行
python examples/ssd/ssd_traffic.py
