配置caffe-SSD
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實驗效果
（1）在圖片測試集上測試
python examples/ssd/score_ssd_pascal.py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 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：
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。
第二部分 訓練自己的資料集
caffe/models/VGGNet/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訓練和測試：
python examples/ssd/ssd_pascal.py
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* ./mydatasetlabelmap_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 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。