神经网络实践笔记--SSD.PyTorch全流程跑通--从建数据集、模型参数修改到可视化

最新推荐文章于 2024-04-28 22:58:47 发布

Cake_C

最新推荐文章于 2024-04-28 22:58:47 发布

阅读量1.6k

点赞数 4

分类专栏：神经网络实践文章标签：神经网络深度学习 pytorch

本文链接：https://blog.csdn.net/Cake_C/article/details/109709470

版权

神经网络实践专栏收录该内容

1 篇文章 0 订阅

订阅专栏

总体流程我也都是跟着网上dalao们的资料走的，但是也遇到很多问题，因此在这里记录一下我的整体流程，有些内容要在dalao们的代码基础上进行修改。

环境搭建：

ssd.pytorch许多代码是有一定年纪的了，因此最好不要配置最新的pytorch，我使用的pytorch1.2，Cuda10.0的版本
先装上Conda，然后在启动Conda环境后安装pytorch：

# CUDA 10.0
conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch
# CPU Only 不用显卡加速的应该是这个，不过ssd是需要CUDA的所以不要用这个
conda install pytorch==1.2.0 torchvision==0.4.0 cpuonly -c pytorch

不同版本的安装代码可以在PyTorch.org官方网站找到

数据集制作：

实践证明如果数据集做错，最后往往能训练但是跑测试时AP全为0。

我使用的时VOC2007标准的数据集，事前最好完全了解一遍这个标准各个文件的作用和内容，否则很容易数据集做错。
https://blog.csdn.net/duanyajun987/article/details/81507656
这篇文章记录了总体流程。
xml标记只能向上述文章里一样慢慢标记。
这里再记录一个windows系统下的形成四个训练测试图片名称文本文件的生成方法
1.在图片文件夹(JPEGImages)下面写一个.bat文件

在这里插入图片描述

#z.bat
dir *.*/b>all.txt.

运行后自动创建一个命名为all.txt的文本文件，里面是所有的图片名称加后缀
在这里插入图片描述
用查找替换，把后缀(.jpg)替换为空

这样文件名都获取到，就是整个数据集所有的图片名称了。
然后按照"trainval大约占整个数据集的50%，test大约为整个数据集的50%；train大约是trainval的50%，val大约为trainval的50%"的比例，把
test.txt：测试集
train.txt：训练集
val.txt：验证集
trainval.txt：训练和验证集
四个文件建好，
里面就按上述规则放入图片名字。（trainval和test别重复了）在这里插入图片描述

SSD代码修改：

https://blog.csdn.net/qq_21464351/article/details/104838456
这篇博客写的很详细。照着做就行。
但实际操作下来，这篇博客对multibox_loss.py的修改不很对，
对在99行上方不是插入内容，应该覆盖原来的loss_c的设置。（下图注释掉了）
在这里插入图片描述

此外在训练过程可视化上，不知道visdom是什么问题，反正就不行。
不过这不影响训练模型。

额外修改内容config.py:

在这里插入图片描述
windows下这个HOME会指向我们的用户文件夹，在后面会引起很多路径问题，最好在config.py中直接改成ssd的根目录。

额外修改内容train.py：

在这里插入图片描述
这里有个num_workers，原来是4，有说法说，如果不是0的话，可能遇到多线程的问题，
具体表现是不管batch_size多低，显卡显存多么充足，都无法分配显存。
所以最好改到0。

训练模型：

上面都改完了后，启动Conda环境，就应该可以开始运行了：
在这里插入图片描述

模型训练结果可视化：

https://zhuanlan.zhihu.com/p/93883352
直接跟着这位dalao走一遍。（主要就是把他最后一段代码复制覆盖到我们的demo/live.py）
记得设置自己的个性化内容：
49行的frame是结果可视化的图片源
在这里插入图片描述
59行的net建立神经网络的方法调用里，没有用config里面的全局设定，把build_ssd最后一个参数改成和config.py里类数量一样（自己模型的类别+1）

运行：