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_sign

2.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(<STDIN>);' > $rand_file
    mv $rand_file $dst_file
  fi
done

3.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
done

4.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.py

2.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

cd ~/work/ssd    #务必到ssd的根目录执行
python examples/ssd/ssd_traffic.py

## reference

https://my.oschina.net/u/1046919/blog/777470