一步一步带你训练自己的SSD检测算法_ssd训练自己的数据集

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上运维知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注运维）

正文

二、实现细节

1、前提条件

在执行下面的操作之前，请保证你当前已经具有以下的这些环境。

• Ubuntu 16.04系统
• NVIDIA 显卡，建议不低于GTX 1080
• CUDA驱动，CUDA8.0\CUDA9.0\CUDA10.0均可，建议设置为可以随时切换的模式
• Anaconda3

2、数据标注

对于一个完整的深度学习流程而言，数据标注是必不可少的一环，数据标注质量会极大的影响算法的性能。当前如果你使用别人已经标注好的数据或者公有的数据集，请直接跳过该步骤。
  下面就来简单的介绍几种数据标注工具，当前已经有很多开源的数据标注工具，这些工具基本上可以满足我们98%的需求，工具没有好坏之分，合适自己的工具就是好工具，所以大家需要根据自己的情况去选择合适的标注工具。

2.1 Labelme

Github链接

2.1.1 工具特点简介

• 同时支持Ubuntu / macOS / Windows系统
• 可以使用多边形、矩形、圆、线和点进行图像注释
• 支持VOC和COCO数据格式
• 支持分类、检测和分割等多个计算机视觉任务

2.1.2 工具安装

方案1：

conda create --name=labelme python=3.6
source activate labelme
pip install labelme

方案2：

sudo apt-get install python3-pyqt5  # PyQt5
sudo pip3 install labelme

2.1.3 工具使用简介

  上图展示了Labelme工具的标注界面，工具的使用留给大家自己去熟悉，在这里我只会强调几个需要注意的地方，具体的内容如下所示：

• 建议把需要标注的数据集存放在一个文件夹下面，并以相应的名字来命名
• 该工具默认的标注方式是多边形，如果进行目标检测任务，通过Edit->Create Rectangle来切换
• 在标注的过程中，尽量做到精细化的标注，尽量先将目标放大，再执行精细标注，标注的质量会对极大的影响检测算法的精度
• 该工具默认会生成.json格式的标签并和标注图片存放在同一个目录，.json格式的标签文件适合用来构建COCO数据集格式，而.xml格式的标签文件适合用来构建VOC数据集格式，

2.2 LabelImg

Github链接

2.2.1 工具安装

方案1：

pip3 install labelImg
labelImg
labelImg [IMAGE_PATH] [PRE-DEFINED CLASS FILE]

方案2：

git clone https://github.com/tzutalin/labelImg.git
sudo apt-get install pyqt5-dev-tools
sudo pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py
python3 labelImg.py [IMA