SSD-Tensorflow 工程角度配置
目录
Download from the github
sudo apt-get install git
git clone https://github.com/balancap/SSD-Tensorflow.git
完成以后查看tree -L 2
.
├── caffe_to_tensorflow.py
├── checkpoints
│ ├── ssd_300_vgg.ckpt.data-00000-of-00001
│ └── ssd_300_vgg.ckpt.index
├── COMMANDS.md
├── datasets
│ ├── cifar10.py
│ ├── dataset_factory.py
│ ├── dataset_utils.py
│ ├── imagenet.py
│ ├── init.py
│ ├── pascalvoc_2007.py
│ ├── pascalvoc_2012.py
│ ├── pascalvoc_common.py
│ ├── pascalvoc_to_tfrecords.py
│ └── pycache
├── demo
│ ├── 000001.jpg
│ ├── 000002.jpg
│ ├── 000003.jpg
│ ├── 000004.jpg
│ ├── 000006.jpg
│ ├── 000008.jpg
│ ├── 000010.jpg
│ ├── 000022.jpg
│ ├── dog.jpg
│ ├── eagle.jpg
│ ├── horses.jpg
│ ├── person.jpg
│ └── street.jpg
├── deployment
│ ├── init.py
│ └── model_deploy.py
├── eval_ssd_network.py
├── inspect_checkpoint.py
├── nets
│ ├── caffe_scope.py
│ ├── custom_layers.py
│ ├── inception.py
│ ├── inception_resnet_v2.py
│ ├── inception_v3.py
│ ├── init.py
│ ├── nets_factory.py
│ ├── np_methods.py
│ ├── ssd_common.py
│ ├── ssd_vgg_300.py
│ ├── ssd_vgg_512.py
│ ├── vgg.py
│ └── xception.py
├── notebooks
│ ├── ssd_notebook.ipynb
│ ├── ssd_tests.ipynb
│ └── visualization.py
├── pictures
│ ├── ex1.png
│ └── ex2.png
├── preprocessing
│ ├── inception_preprocessing.py
│ ├── init.py
│ ├── preprocessing_factory.py
│ ├── ssd_vgg_preprocessing.py
│ ├── tf_image.py
│ └── vgg_preprocessing.py
├── README.md
├── tf_convert_data.py
├── tf_extended
│ ├── bboxes.py
│ ├── image.py
│ ├── init.py
│ ├── math.py
│ ├── metrics.py
│ └── tensors.py
├── tf_utils.py
├── train_ssd_network.py
- 新建tfrecords
mkdir tfrecords - 解压ssd.zip
unzip ./checkpoint/ssd_300_vgg.ckpt.zip
数据集转化tfrecords格式
首先你要有VOC2007格式的文件，具体怎么制作可以看我以前的博客Faster Rcnn中的说明。
- 准备转化，需要使用
tf_convert_cata.py
./VOC2007/
└── test
├── Annotations
├── ImageSets
├── JPEGImages
├── SegmentationClass
└── SegmentationObject
- 将datasets中的pascalvoc_2007.py中的类别将20改为你自己的类别
- 使用（路径可以改变）
DATASET_DIR=./VOC2007/test/
OUTPUT_DIR=./tfrecords
python tf_convert_data.py
--dataset_name=pascalvoc
--dataset_dir=${DATASET_DIR}
--output_name=voc_2007_train
--output_dir=${OUTPUT_DIR}
- 遇到的问题1
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xff in position 0: invalid start byte
处理：
SSD-Tensorflow/datasets/pascaovoc_to_tfrecords.py
File "/home/learner/github/SSD-Tensorflow/datasets/pascalvoc_to_tfrecords.py", line 83, in _process_image
image_data = tf.gfile.FastGFile(filename, 'r').read()
将 r改为rb就可以解决
- 遇到的问题2
类别没有改为自己的类别：pascalvoc_common.py中记录了所有的种类
SSD-Tensorflow/datasets/pascalvoc_common.py
将该文件中VOC_LABELS中的label改成你的label就好了，其中none需要保留，其他的根据样子都可以改变。
- 修改图片读取类型
-
image_format =b'JPEG' -
filename = directory + DIRECTORY_IMAGES + name + '.jpg'中 jpg 可以修改读取图片的类型 -
datasets文件夹下``pascalvoc_to_tfrecords.py
中SAMPLES_PER_FILES = 1`，这里可以修改每个tfrecords中有几个图片
- 编写脚本(位于
SSD-Tensorflow下)，批量测试
#!/bin/bash
#this is a shell script to convert pascal VOC datasets into tf-records only
#directory where the original dataset is stored
DATASET_DIR=./VOC2007/test/ #VOC数据保存的文件夹（VOC的目录格式未改变）
#output directory where to store TFRecords files
OUTPUT_DIR=./tfrecords #自己建立的保存tfrecords数据的文件夹
python3 ./tf_convert_data.py
--dataset_name=pascalvoc
--dataset_dir=${DATASET_DIR}
--output_name=voc_2007_train
--output_dir=${OUTPUT_DIR}
训练模型（pre-train）
首先必须有预训练模型，上边我们解压的那个就是预训练模型。
- 修改
train_ssd_network.py中154行最大训练步数，将None修改为合适的步长
mkdir logs
DATASET_DIR=./tfrecords
TRAIN_DIR=./logs/
CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckpt
python train_ssd_network.py
--train_dir=${TRAIN_DIR}
--dataset_dir=${DATASET_DIR}
--dataset_name=pascalvoc_2007
--dataset_split_name=train
--model_name=ssd_300_vgg
--checkpoint_path=${CHECKPOINT_PATH}
--save_summaries_secs=60
--save_interval_secs=600
--weight_decay=0.0005
--optimizer=adam
--learning_rate=0.001
--batch_size=32
train_ssd_network.py,网络参数配置，若需要改，再此文件中进行修改
修改如下边中的数字600，可以改变训练多长时间保存一次模型
tf.app.flags.DEFINE_integer(
'save_summaries_secs', 600,
'The frequency with which summaries are saved, in seconds.')
tf.app.flags.DEFINE_integer(
'save_interval_secs', 600,
'The frequency with which the model is saved, in seconds.')
- nets/ssd_vgg_300.py (因为使用此网络结构) ，修改87 和88行的类别
default_params = SSDParams(
img_shape=(300, 300),
num_classes=21, #根据自己的数据修改为类别+1
no_annotation_label=21, #根据自己的数据修改为类别+1
feat_layers=['block4', 'block7', 'block8', 'block9', 'block10', 'block11'],
feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)],
anchor_size_bounds=[0.15, 0.90],
# anchor_size_bounds=[0.20, 0.90],
- train_ssd_network.py,修改类别120行，GPU占用量，学习率，batch_size等
tf.app.flags.DEFINE_integer(
'num_classes', 21, 'Number of classes to use in the dataset.')
#根据自己的数据修改为类别+1
- eval_ssd_network.py 修改类别，66行
# =========================================================================== #
# Main evaluation flags.
# =========================================================================== #
tf.app.flags.DEFINE_integer(
'num_classes', 21, 'Number of classes to use in the dataset.')
#根据自己的数据修改为类别+1
- datasets/pascalvoc_2007.py 根据自己的训练数据修改整个文件
TRAIN_STATISTICS = {
'none': (0, 0),
'aeroplane': (238, 306), #238图片书， 306目标总数
'bicycle': (243, 353),
'bird': (330, 486),
'boat': (181, 290),
'bottle': (244, 505),
'bus': (186, 229),
'car': (713, 1250),
'cat': (337, 376),
'chair': (445, 798),
'cow': (141, 259),
'diningtable': (200, 215),
'dog': (421, 510),
'horse': (287, 362),
'motorbike': (245, 339),
'person': (2008, 4690),
'pottedplant': (245, 514),
'sheep': (96, 257),
'sofa': (229, 248),
'train': (261, 297),
'tvmonitor': (256, 324),
'total': (5011, 12608), //5011 为训练的图片书，12608为目标总数
}
TEST_STATISTICS = {
'none': (0, 0),
'aeroplane': (1, 1),
'bicycle': (1, 1),
'bird': (1, 1),
'boat': (1, 1),
'bottle': (1, 1),
'bus': (1, 1),
'car': (1, 1),
'cat': (1, 1),
'chair': (1, 1),
'cow': (1, 1),
'diningtable': (1, 1),
'dog': (1, 1),
'horse': (1, 1),
'motorbike': (1, 1),
'person': (1, 1),
'pottedplant': (1, 1),
'sheep': (1, 1),
'sofa': (1, 1),
'train': (1, 1),
'tvmonitor': (1, 1),
'total': (20, 20),
}
SPLITS_TO_SIZES = {
'train': 5011, #训练数据量
'test': 4952, #测试数据量
}
SPLITS_TO_STATISTICS = {
'train': TRAIN_STATISTICS,
'test': TEST_STATISTICS,
}
NUM_CLASSES = 20 #类别，根据自己数据的实际类别修改（不包含背景）
训练方案一
从vgg开始训练其中某些层的参数
# 通过加载预训练好的vgg16模型，对“voc07trainval+voc2012”进行训练
# 通过checkpoint_exclude_scopes指定哪些层的参数不需要从vgg16模型里面加载进来
# 通过trainable_scopes指定哪些层的参数是需要训练的，未指定的参数保持不变,若注释掉此命令，所有的参数均需要训练
DATASET_DIR=/home/doctorimage/kindlehe/common/dataset/VOC0712/
TRAIN_DIR=.././log_files/log_finetune/train_voc0712_20170816_1654_VGG16/
CHECKPOINT_PATH=../checkpoints/vgg_16.ckpt
python3 ../train_ssd_network.py
--train_dir=${TRAIN_DIR} #训练生成模型的存放路径
--dataset_dir=${DATASET_DIR} #数据存放路径
--dataset_name=pascalvoc_2007 #数据名的前缀
--dataset_split_name=train
--model_name=ssd_300_vgg #加载的模型的名字
--checkpoint_path=${CHECKPOINT_PATH} #所加载模型的路径
--checkpoint_model_scope=vgg_16 #所加载模型里面的作用域名
--checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
--trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
--save_summaries_secs=60 #每60s保存一下日志
--save_interval_secs=600 #每600s保存一下模型
--weight_decay=0.0005 #正则化的权值衰减的系数
--optimizer=adam #选取的最优化函数
--learning_rate=0.001 #学习率
--learning_rate_decay_factor=0.94 #学习率的衰减因子
--batch_size=24
--gpu_memory_fraction=0.9 #指定占用gpu内存的百分比
训练方案二
从自己预训练好的模型开始训练（依然可以指定要训练哪些层）
（当你的模型通过vgg训练的模型收敛到大概o.5mAP的时候，可以进行这一步的fine-tune）
# 通过加载预训练好的vgg16模型，对“voc07trainval+voc2012”进行训练
# 通过checkpoint_exclude_scopes指定哪些层的参数不需要从vgg16模型里面加载进来
# 通过trainable_scopes指定哪些层的参数是需要训练的，未指定的参数保持不变
DATASET_DIR=/home/doctorimage/kindlehe/common/dataset/VOC0712/
TRAIN_DIR=.././log_files/log_finetune/train_voc0712_20170816_1654_VGG16/
CHECKPOINT_PATH=./log_files/log_finetune/train_voc0712_20170712_1741_VGG16/model.ckpt-253287
python3 ../train_ssd_network.py
--train_dir=${TRAIN_DIR} #训练生成模型的存放路径
--dataset_dir=${DATASET_DIR} #数据存放路径
--dataset_name=pascalvoc_2007 #数据名的前缀
--dataset_split_name=train
--model_name=ssd_300_vgg #加载的模型的名字
--checkpoint_path=${CHECKPOINT_PATH} #所加载模型的路径
--checkpoint_model_scope=vgg_16 #所加载模型里面的作用域名
--checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
--trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
--save_summaries_secs=60 #每60s保存一下日志
--save_interval_secs=600 #每600s保存一下模型
--weight_decay=0.0005 #正则化的权值衰减的系数
--optimizer=adam #选取的最优化函数
--learning_rate=0.001 #学习率
--learning_rate_decay_factor=0.94 #学习率的衰减因子
--batch_size=24
--gpu_memory_fraction=0.9 #指定占用gpu内存的百分比
从自己训练的ssd_300_vgg模型开始训练ssd_512_vgg的模型
因此ssd_300_vgg中没有block12,又因为block7,block8,block9,block10,block11,中的参数张量两个网络模型中不匹配，因此ssd_512_vgg中这几个模块的参数不从ssd_300_vgg模型中继承，因此使用checkpoint_exclude_scopes命令指出。
因为所有的参数均需要训练，因此不使用命令--trainable_scopes
#/bin/bash
DATASET_DIR=/home/data/xxx/imagedata/xing_tf/train_tf/
TRAIN_DIR=/home/data/xxx/model/xing300512_model/
CHECKPOINT_PATH=/home/data/xxx/model/xing300_model/model.ckpt-60000 #加载的ssd_300_vgg模型
python3 ./train_ssd_network.py
--train_dir=${TRAIN_DIR}
--dataset_dir=${DATASET_DIR}
--dataset_name=pascalvoc_2007
--dataset_split_name=train
--model_name=ssd_512_vgg
--checkpoint_path=${CHECKPOINT_PATH}
--checkpoint_model_scope=ssd_300_vgg
--checkpoint_exclude_scopes=ssd_512_vgg/block7,ssd_512_vgg/block7_box,ssd_512_vgg/block8,ssd_512_vgg/block8_box, ssd_512_vgg/block9,ssd_512_vgg/block9_box,ssd_512_vgg/block10,ssd_512_vgg/block10_box,ssd_512_vgg/block11,ssd_512_vgg/b lock11_box,ssd_512_vgg/block12,ssd_512_vgg/block12_box
#--trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block1 0,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_3 00_vgg/block10_box,ssd_300_vgg/block11_box
--save_summaries_secs=28800
--save_interval_secs=28800
--weight_decay=0.0005
--optimizer=adam
--learning_rate_decay_factor=0.94
--batch_size=16
--num_classes=4
-gpu_memory_fraction=0.8
训练方案3
# 注释掉CHECKPOINT_PATH，不提供初始化模型,让模型自己随机初始化权重，从头训练
# 删除checkpoint_exclude_scopes和trainable_scopes，因为是从头开始训练
# CHECKPOINT_PATH=./log_files/log_finetune/train_voc0712_20170712_1741_VGG16/model.ckpt-253287
python3 ../train_ssd_network.py
--train_dir=${TRAIN_DIR} #训练生成模型的存放路径
--dataset_dir=${DATASET_DIR} #数据存放路径
--dataset_name=pascalvoc_2007 #数据名的前缀
--dataset_split_name=train
--model_name=ssd_300_vgg #加载的模型的名字
#--checkpoint_path=${CHECKPOINT_PATH} #所加载模型的路径,这里注释掉
#--checkpoint_model_scope=vgg_16 #所加载模型里面的作用域名
--save_summaries_secs=60 #每60s保存一下日志
--save_interval_secs=600 #每600s保存一下模型
--weight_decay=0.0005 #正则化的权值衰减的系数
--optimizer=adam #选取的最优化函数
--learning_rate=0.00001 #学习率
--learning_rate_decay_factor=0.94 #学习率的衰减因子
--batch_size=32
验证
首先将测试数据转换为tfrecords
#!/bin/bash
DATASET_DIR=./VOC2007/test #VOC数据保存的文件夹（VOC的目录格式未改变）
#output directory where to store TFRecords files
OUTPUT_DIR=/home/xxx/imagedata/xingshizheng_tf #自己建立的保存tfrecords数据的文件夹
python ./tf_convert_data.py
--dataset_name=pascalvoc
--dataset_dir=${DATASET_DIR}
--output_name=voc_2007_test #注意修改为test
--output_dir=${OUTPUT_DIR}
建立一个sh，用于验证的信息存储
#!/bin/bash
DATASET_DIR=./tfrecords/ #保存的转换为tfrcodes格式的数据
EVAL_DIR=./logs/ # Directory where the results are saved to
CHECKPOINT_PATH=./checkpoints/ssd_vgg_300.ckpt #换为自己训练的模型
python3 ./eval_ssd_network.py
--eval_dir=${EVAL_DIR}
--dataset_dir=${DATASET_DIR}
--dataset_name=pascalvoc_2007
--dataset_split_name=test
--model_name=ssd_300_vgg
--checkpoint_path=${CHECKPOINT_PATH}
--batch_size=1
利用ssd_notebook.ipynb显示训练测试模型的结果
# Restore SSD model
将ckpt_filename=‘ ’路径进行修改
# Test on some demo image and visualize output
将path=‘ ’路径进行修改为自己的
- 注意事项
- –dataset_name=pascalvoc_2007 、–dataset_split_name=train、–model_name=ssd_300_vgg这三个参数不要随便取，是比较固定的判断值
- 如果不想使用预训练的模型，需要将
--checkpoint_path=${CHECKPOINT_PATH}注释掉即可 - 有时候运行脚本会报错，可能是之前依次运行导致显存占满。
-
- 在TRAIN_DIR路径下会产生四中文件：
-
- checkpoint :文本文件，包含所有model.ckpt-xxxx,相当于是不同时间节点生成的所有ckpt文件的一个索引。
- model.ckpt-2124.data-000000-of-000001：模型文件，保存模型的权重
- model.ckpt-2124.meta：图文件，保存模型的网络图
- model.ckpt-2124.index : 这个没搞太清楚
- graph.pbtxt： 用protobuf格式保存的模型的图
-
- 在TRAIN_DIR路径下会产生四中文件：
错误
-
报错：参照这个博客进行修改
https://blog.csdn.net/w5688414/article/details/78529884 -
报错如下
InvalidArgumentError (see above for traceback): Assign requires shapes of both tensors to match. lhs shape= [16] rhs shape= [84]
[[Node: save_1/Assign_4 = Assign[T=DT_FLOAT, _class=["loc:@ssd_300_vgg/block10_box/conv_cls/biases"], use_locking=true, validate_shape=true, _device="/job:localhost/replica:0/task:
0/device:CPU:0"](ssd_300_vgg/block10_box/conv_cls/biases, save_1/RestoreV2_4)]]
添加上：
--checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
--trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
如果遇到这种情况，那么将checkpoint中的内容删除或者备份就好了
Reference
https://blog.csdn.net/liuyan20062010/article/details/78905517
https://blog.csdn.net/weixin_39881922/article/details/80569803
https://blog.csdn.net/weixin_39881922/article/details/80569803