[Caffe] - No.2 ssd-caffe(3):训练ssd-caffe模型：(以VOC数据集为例)

2.训练ssd-caffe模型：(以VOC数据集为例)

使用caffe进行目标检测，我们的需要标注了标签的图片作为训练样本，训练模型。推荐使用开源的标注工具labelimg，来对我们的图片进行标注。标注之后，会产生

.xml

文件,用于标识图片中物体的具体信息。

这里，我们以VOC格式的数据为示例：

VOC的数据格式，主要有三个重要的文件夹：Annotations、ImageSets和JPEGImages

Annotations: 存放.xml标注文件

ImageSets/Main: 存放

train.txt

、

test.txt

、

trainval.txt

、

val.txt

test.txt

中保存的是测试所用的所有样本的名字，不过没有后缀（下同）,一般测试的样本数量占总数据集的50%

train.txt

中保存的是训练所用的样本名，样本数量通常占

trainval

的50%左右

val.txt

中保存的是验证所用的样本名，数量占

trainval

的50%左右

trainval.txt

中保存的是训练验证样本，是上面两个的总和，一般数量占总数据集的50%

生成上述文本的代码如下：

import os
import random

trainval_percent = 0.66
train_percent = 0.5
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)

num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i  in list:
name=total_xml[i][:-4]+'\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest .close()
print("done")

由于

caffe

只能处理

lmdb

格式的数据，如果你有自己的数据想要放在caffe上进行训练，方式如下：

自定义数据和VOC数据格式相同：直接使用VOC的数据集转换的代码转换为lmdb

自定义的数据和VOC的数据格式有出入：自己写代码或者修改源码

src/caffe/util/io.cpp

，转换为lmdb格式

训练步骤如下，以

mydataset

为例：

分别创建

examples/mydataset

,

data/mydataset

,

data/VOCdevkit/mydataset

三个文件夹：

data/VOCdevkit/mydataset

：将刚刚生成的

Annocations

等几个文件夹复制进去

data/mydataset

：将

data/VOC0712

下的

create_list.sh

,

create_data.sh

,

labelmap_voc.prototxt

三个文件拷贝到该文件夹

create_list.sh

:根据之前生成的

ImageSets/Main

中的

train.txt

等文件，生成具体的文件路径信息等。运行该文件夹会在当前目录生成几个

txt

文件

更改

create_list.sh

​

create_data.sh

:生成lmdb文件，运行该文件夹，会在

examples/mydataset生成

更改

create_data.sh

在ssd-caffe的根目录，运行如下命令：

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

即可生成上述提到的文件。若运行两个.sh脚本文件错误，则删除刚刚生成的文件，debug后重新运行

运行成功以后，在

examples/mydataset

即生成lmdb文件

复制

examples/ssd/

路径下的

ssd_pascal.py

文件到

example/mydataset

下，修改相应参数：

修改所有文件夹路径为自己的路径

如果本机显存太小,修改

batch_size

为8

修改标签个数

num_classes

为自己的种类n+1

(1即为添加的backgroud标签，识别为背景。另外，我们的xml标签文件中不能出现编号为0的backgrouond标注，否则会报错。这个问题在ssd-caffe的issue上也有提到，至今没有解决)

修改

max_iter

等参数，将迭代次数减小，也可以不修改使用默认

在ssd-caffe根目录下运行

python example/mydataset/ssd_pascal.py

等待模型运行结束

复制

examples/ssd/

路径下的

score_ssd_pascal.py

文件到

example/mydataset

下，修改相应文件路径,即可测试模型：

python example/mydataset/score_ssd_pascal.py

​

3. 调用训练完成的模型，对单张图片进行测试：

我们训练完的模型应该保存在以下路径：

models/VGGNet/mydataset/SSD_300X300

.

├── deploy.prototxt

├── solver.prototxt #超参数

├── test.prototxt

├── train.prototxt

├── VGG_mydataset_SSD_300x300_iter_55.caffemodel

└── VGG_mydataset_SSD_300x300_iter_55.solverstate

将

example/ssd

路径下的

ssd_detect.py

文件复制到

example/mydataset

下，将输入，输出的文件路径修改为自己的路径(其中包含网络定义，模型文件，标签文件，测试图片，输出图片等)

P.S. 文章不妥之处还望指正