深度学习ssd配置并在VGG模型上训练本身的数据

最近一直在看深度学习的东西，用到了ssd，上网一搜，找到一篇不错的博客，http://www.cnblogs.com/objectDetect/p/5780006.html，官网， 这篇是连安装cuda到caffe环境的一系列http://blog.csdn.net/wopawn/article/details/52302164。通过磕磕绊绊，也决定写一篇相关的博客。

ssd的demo是介绍了在voc数据集上训练和验证，因此想要简单的使用ssd训练本身的数据，就是作成相似voc 的数据再调用ssd 中的ssd_pascal.py进行训练。 这里须要说明的是ssd项目中自带的ssd_pascal.py文件会在VGG的模型上再训练，以个人理解就是在VGG的模型上作fine-tuning。

---

如今从头开始教程：

1 安装ssd

1.1 首先须要安装有git

sudo apt-get install git

1.2 git ssd 项目

git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd（出现“分支”则说明copy-check成功）

记得必定要用git的方法，不要直接下载caffe-master.zip这种压缩包，里面没有git的配置，没用的。

1.3 开始编译ssd

先安装一些依赖

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev

ubuntu14.04须要依赖

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

ubuntu16.04须要cuda 8

BLAS:能够经过

sudo apt-get install libatlas-base-dev

能够安装OpenBLAS 或者 MKL，MKL可使CPU更好的工做。

要python的话可能要安装

sudo apt-get install python-pip python-numpy  python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython

开始编译，编译有两种办法：

** 1.3.1 直接make**

cd "<你的caffe项目>"
cp Makefile.config.example Makefile.config

若是你想直接用CPU而不用GPU，进入Makefile.config 将 #CPU_ONLY:=1这句去掉注释，像下面这个

# CPU-only switch (uncomment to build without GPU support).
CPU_ONLY := 1

若是要改BLAS：

# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := atlas

而后执行

make all -j8
sudo make install
make runtest （这个不必定要）
make pycaffe

** 1.3.2 用cmake方法安装**

cd "<你的caffe项目>"
mkdir build
cd build
ccmake ..
make -j8
sudo make install
make runtest
make pycaffe

若是要改BLAS和单用CPU，在ccmake .. 中选择。

装好在以后注意配置python caffe 环境

vim /etc/profile

在最后一行添加

export PYTHONPATH=/home/........../caffe/python:$PYTHONPATH

而后更新下环境

source /etc/profile

1.4 验证pycaffe环境

python
import caffe

若是没有问题那就是成功了

若是有错误那么就打开主目录下的.bashrc写入那句话,再试试看。

2 训练本身模型

训练VOC数据的方法上面那篇博客有讲，这里再也不多说。讲讲训练本身数据。

如今来看一下voc的标签00001.xml

<annotation>
	<folder>VOC2007</folder>
	<filename>000018.jpg</filename>
	<source>
		<database>The VOC2007 Database</database>
		<annotation>PASCAL VOC2007</annotation>
		<image>flickr</image>
		<flickrid>340537267</flickrid>
	</source>
	<owner>
		<flickrid>Kathy Stern</flickrid>
		<name>Kathy Stern</name>
	</owner>
	<size>
		<width>380</width>
		<height>285</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>dog</name>
		<pose>Left</pose>
		<truncated>0</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>31</xmin>
			<ymin>30</ymin>
			<xmax>358</xmax>
			<ymax>279</ymax>
		</bndbox>
	</object>
</annotation>

如今主要更改的是size中的width，height，object中的name和xmin，xmax，ymin，ymax这几个东西。

因此每幅图片都要在样子更改，上面的博客推荐了一个bbox-tool，可是对于我来讲不太好用，而后就写了一个基于opencv的程序，稍后放出。

在ssd中voc的同级目录新建一个文件夹，讲全部图片和标签都放进去，作好连接

• trainval.txt 存放训练用的图片路径，格式相似

data1/image1.jpg data1/image.xml

• test.txt 存放测试用的图片路径，格式和trainval.txt相同
• test_name_size.txt 存放测试用的图片，格式相似测试 “ 图片名 高 长“

imagetest1 300 300

• labelmap_indoor.prototxt 标签的名字，注意label 0 这类必定会存在，就是图片bounding box之外的数据标签

数据作好以后运行create_data.sh进行整理数据，create_data.sh里面可能有些路径错误，能够自行改到本身的数据目录。

运行create_data.sh以后会在当前目录和ssd的examples下新建一个数据目录，名字是当前目录的名字。

3 训练

打开ssd_pascal.py须要修改的有一下几点：

• train_data和test_data , 指向examples中你的数据，例如

train_data = "examples/indoor/indoor_trainval_lmdb"
# The database file for testing data. Created by data/VOC0712/create_data.sh
test_data = "examples/indoor/indoor_test_lmdb"

• num_test_image该变量修改为本身数据集中测试数据图片的数量
• num_classes 该变量修改为本身数据集中 标签类别数量数 + 1
• gpus = "0,1,2,3" 电脑有几个gpu就写多少个，若是有一个就写gpus="0",两个就写gpus="0,1",以此类推。

最后到caffe的根目录运行, ps:你的ssd_pascal.py的目录是example/yourSSD/ssd_pascal.py

python example/yourSSD/ssd_pascal.py

4 测试

有好几种测试的方法，

4.1 python

在caffe的根目录运行ssd_pascal_webcam.py这个文件，这是使用摄像头实时测试的软件，读取的caffemodel是在caffe/models/VGGNet/VOC0712/SSD_300x300_webcam下最新的model，因此记得在这个文件夹中放入模型。 还要更改下ssd_pascal_webcam.py中label_map_file到你的labelmap_voc.prototxt

python examples/ssd/ssd_pascal_webcam.py

4.2 c++

编译完SSD后，C++版本的的可执行文件存放目录： .build_release/examples/ssd/ssd_detect.bin

测试命令 ./.build_release/examples/ssd/ssd_detect.bin models/VGGNet/indoor/deploy.prototxt models/VGGNet/indoor/VGG_VOC0712_SSD_300x300_iter_60000.caffemodel pictures.txt

ssd自带ssd_detect.cpp，能够拿来使用。

** 4.2.1 用qt** .pro件定义中须要引入你的caffe配置，例如

LIBS += /home/xxx/caffe/build/lib/libcaffe.so 

INCLUDEPATH += /home/xxx/caffe/include

INCLUDEPATH += /home/xxx/caffe/build/include

可能还会有一些编译问题：

1. error while loading shared libraries: libglog.so.0: cannot open shared object file: No such file or directory 解决

LIBS +=/usr/lib/x86_64-linux-gnu/libglog.so

2. libcaffe.so.1.0.0-rc3: cannot open shared object file: No such file or directory 解决：在/etc/ld.so.conf.d/下新建caffe.conf文件，在caffe.conf中加入到libcaffe.so.1.0.0-rc3的位置，基本上是在build的lib里。

** 4.2.2 使用cmake**

若是是使用cmake，注意安装ssd的时候必定要make install

而后CMakeLists.txt

find_package(OpenCV REQUIRED)
find_package(Caffe REQUIRED)


#option (CPU_ONLY "Use CPU or use GPU" ON)
#option (USE_OPENCV "Use CPU or use GPU" ON)
include_directories( ${Caffe_INCLUDE_DIRS} )
add_definitions(${Caffe_DEFINITIONS}) # ex. -DCPU_ONLY
add_executable(ssd_detect ssd_detect.cpp )

使用cpu或者gpu能够在选项里面定义。

---

博客先写到这里，若有有任何疑问和错误能够和做者联系，之后会不按期修改文章错误和增长注意事项。