git clone https://github.com/weiliu89/caffe.git
   cd caffe
   git checkout ssd(出現“分支”則說明copy-check成功)

• 1
• 2
• 3

• 進入下載好的caffe目錄，複製配置檔案

   cd /home/usrname/caffe
   cp Makefile.config.example Makefile.config

• 1
• 2

• 1
• 2

• 編譯caffe三部曲

   make all  -j16  //-j16根據本機的處理器配置，16是16核處理器的意思
   make test -j16
   make runtest -j16（這一步不是必須的）
 

• 1
• 2
• 3

• 1
• 2
• 3

• 額外編譯，根據需要(因為SSD利用python完成，需編譯pycaffe)

   make pycaffe -j16

準備工作

• 下載VOC2007和VOC2012資料集，放到/home/data下。（請注意，這裡改變了目錄）

 cd ..
   mkdir data
   cd data/

• 1
• 2
• 3

• 1
• 2
• 3

• 下載資料集

   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

• 1
• 2
• 3

• 1
• 2
• 3

• 資料集解壓

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

• 1
• 2
• 3

• 1
• 2
• 3

• 將圖片轉化為LMDB檔案，用於訓練

   cd ..
   cd caffe/
   ./data/VOC0712/create_list.sh  
   ./data/VOC0712/create_data.sh

• 1
• 2
• 3
• 4

• 1
• 2
• 3
• 4

• 這裡用的指令碼實現批處理，可能會出現:no module named caffe等錯誤，這是由於caffe的Python環境變數未配置好，可按照下面方法解決：

   echo "export PYTHONPATH=/home/usrname/caffe/python" >> ~/.profile  
   source ~/.profile  
   echo $PYTHONPATH #檢查環境變數的值

訓練模型

• 在下載的caffe根目錄執行如下命令訓練，在examples/ssd下存在幾個.py檔案，訓練的時間較長，迭代60000次，博主訓練了一天！

   python examples/ssd/ssd_pascal.py

• 1

• 1

實驗效果

（1）在圖片測試集上測試

   python examples/ssd/score_ssd_pascal.py

• 1

• 1

利用它跑了一遍資料集，得出準確率可以達到百分之70多

（2）在視訊上測試

   python examples/ssd/ssd_pascal_video.py 

• 1

• 1

利用師兄的行人視訊做了測試，實時性高，但是漏檢率蠻嚴重的，這是不可避免的 
 
 
當然，直接跑是他自帶的視訊，想跑自己的程式碼的話，要先用vim開啟該檔案，定位到51行，修改視訊路徑為已有本地視訊，這樣就可以暢快的跑自己的視訊

（3）在攝像頭上測試

   python examples/ssd/ssd_pascal_webcam.py

• 1

• 1

博主移植到桌上型電腦上出現了問題，還沒有改好bug，改好了會分享給大家

後期工作

• 研究SSD的python原始碼，用來訓練和檢測交通標誌\文字檢測，人臉檢測等等

作者給定的預訓練模型

如果沒有好的機器配置或者省事一些的，可以使用作者給出的訓練好的模型：

• Models trained on VOC0712：SSD300 SSD500

• 還有其他的模型，這裡就不一一列舉，感興趣的可以去官方主頁看，連結已在前面給出

最近一直在搞object detection玩，之前用的是faster-rcnn，準確率方面73.2%，效果還不錯，但是識別速度有點欠缺，我用的GPU是GTX980ti, 識別速度大概是15fps.最近發現SSD(single shot multibox detector) 這篇論文效果和速度都不錯，我自己實驗了一下，速度確實比faster-rcnn快不少。下面分兩部分來介紹。第一部分介紹SSD的安裝，第二部分介紹如何基於SSD訓練自己的資料集。

• 1
• 2
• 3

• 1
• 2
• 3

第二部分 訓練自己的資料集

caffe/models/VGGNet/

• 1

• 1

下載VOC2007和VOC2012資料集， 放在/data目錄下：

cd data
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

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

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

建立lmdb格式的資料：

cd caffe
./data/VOC0712/create_list.sh
# It will create lmdb files for trainval and test with encoded original image:
#   - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_trainval_lmdb
#   - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_test_lmdb
./data/VOC0712/create_data.sh

• 1
• 2
• 3
• 4
• 5
• 6

• 1
• 2
• 3
• 4
• 5
• 6

訓練和測試：

python examples/ssd/ssd_pascal.py

• 1
• 2

• 1
• 2

論文中，作者已經預訓練好模型，下載連結：http://www.cs.unc.edu/%7Ewliu/projects/SSD/models_VGGNet_VOC0712_SSD_300x300.tar.gz，我們不必自己再去訓練, 下載完成後放入指定的資料夾下。 
測試時，我們使用/example/ssd/目錄裡的ssd_detect.ipynb，執行這個檔案，需要安裝ipython及ipython-notebook, 或者直接把裡面的程式碼拷貝出來，寫到一個新的Python檔案裡，比如命名ssd_detector.py.

OK， 下面修改一系列檔案來訓練自己的資料集 
兩種方案， 第一：保持原來的檔案目錄結構及檔名不變， 只替換裡面的資料。第二：重新新建一個與之前類似的目錄結構，改成自己命名的資料夾，第二種方法，有一定的風險性，需要修改程式裡涉及資料路徑的程式碼。在之前講解的faster-rcnnan那篇部落格中， 我們採用第一種方案。本次我們採用第二種方案。 
在/data目錄下建立一個自己的資料夾：

cd /data
mkdir mydataset

• 1
• 2

• 1
• 2

把/data/VOC0712目錄下的create_list.sh 、create_data.sh、labelmap_voc.prototxt 這三個檔案拷貝到/mydataset下：

cp data/create* ./mydataset
cp data/label* ./mydataset

• 1
• 2

• 1
• 2

labelmap_voc.prototxt, 此檔案定義label。

在/data/VOCdevkit目錄下建立mydataset, 並放入自己的資料集:

cd data/VOCdevkit
mkdir mydataset
cd mydataset
mkdir Annotations
mkdir ImageSets
mkdir JPEGImages
cd ImageSets
mkdir Layout
mkdir Main
mkdir Segmentation

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

其中Annotations中存放一些列XML檔案，包含object的bbox，name等； 
ImageSets中三個子目錄下均存放train.txt, val.txt, trainval.txt, test.txt這幾個檔案，檔案內容為圖片的檔名（不帶字尾）； 
JPEGImages存放所有的圖片；

在/examples下建立mydataset資料夾：

mkdir mydataset

• 1

• 1

資料夾記憶體放生成的lmdb檔案。

上述資料夾建立好後， 開始生成lmdb檔案, 在建立之前需要修改相關路徑：

./data/mydataset/create_list.sh
./data/mydataset/create_data.sh

• 1
• 2

• 1
• 2

此時，在examples/mydataset/資料夾下可以看到兩個子資料夾, mydataset_trainval_lmdb, mydataset_test_lmdb；裡面均包含data.dmb和lock.dmb;

到此為止,我們的資料集就做好了。接下來就開始訓練了。訓練程式為/examples/ssd/ssd_pascal.py，執行之前，我們需要修改相關路徑程式碼：

cd /examples/ssd
vim sd_pascal.py， 修改如下：
57行： train_data路徑；
59行：test_data路徑；
197-203行：save_dir、snapshot_dir、job_dir、output_result_dir路徑；
216-220行： name_size_file、label_map_file路徑；
223行：num_classes 修改為1 + 類別數
315行：num_test_image：測試集圖片數目

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

另外， 如果你只有一個GPU, 需要修改285行： 
gpus=”0,1,2,3” ===> 改為”0” 
否則，訓練的時候會出錯。 
修改完後執行

python ./examples/ssd/ssd_pascal.py 

• 1

• 1

訓練完， 修改ssd_detector.py中模型路徑， 任意找一張圖片識別，看看效果怎麼樣。