ubuntu14.04安装CPU版SSD(Single Shot MultiBox Detector)/Caffe版本

ubuntu14.04安装CPU版SSD(Single Shot MultiBox Detector)/Caffe版本

github链接：https://github.com/weiliu89/caffe/tree/ssd

SSD是16年ECCV一篇深度学习目标检测的文章，详细知识可以百度或者谷歌，本文我们介绍如何实现。

相信很多像我一样的用不上GPU的童鞋，所以本文将安装CPU版本的~我们一起来吧

1.下载代码

[python] view plain copy

1. git clone https://github.com/weiliu89/caffe.git  
2. cd caffe  
3. git checkout ssd  

2.复制配置文件

将已经配置过的cpu版本caffe中的Makefile.config复制到此caffe的$CAFFE_ROOT 。如果你没有配置过cpu版本的caffe，参考http://blog.csdn.net/gaohuazhao/article/details/60141474中Makefile.config的修改方式。

[python] view plain copy

1. 去掉注释CPU_ONLY :=1    
2. 注释掉CUDA有关的行：    
3. #CUDA_DIR := /usr/local/cuda    
4. #CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \    
5. #        -gencode arch=compute_20,code=sm_21 \    
6. #        -gencode arch=compute_30,code=sm_30 \    
7. #        -gencode arch=compute_35,code=sm_35 \    
8. #        -gencode arch=compute_50,code=sm_50 \    
9. #        -gencode arch=compute_50,code=compute_50    
10. 去掉注释WITH_PYTHON_LAYER := 1    
11. INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial    
12. LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/i386-linux-gnu/hdf5/serial /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial    
13. #TEST_GPUID := 0    

3.编译caffe

我的是双核处理器，所以8改为2了，不过好像不改也没什么影响

[python] view plain copy

1. make -j8  
2. # Make sure to include $CAFFE_ROOT/python to your PYTHONPATH.  
3. make py  
4. make test -j8  
5. # (Optional)  
6. make runtest -j8  

4.下载预训练模型 fully convolutional reduced (atrous) VGGNet （https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6），将它放入caffe/models/VGGNet/目录下

5.下载VOC2007和VOC2012数据集，放到/home/data下。（请注意，这里改变了目录）

[python] view plain copy

1. # Download the data.  
2. cd $HOME/data  
3. wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar  
4. wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar  
5. wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar  
6. # Extract the data.  
7. tar -xvf VOCtrainval_11-May-2012.tar  
8. tar -xvf VOCtrainval_06-Nov-2007.tar  
9. tar -xvf VOCtest_06-Nov-2007.tar  

6.将图片转化为LMDB文件，用于训练

此处注意create_list.sh和create_data.sh中路径的修改，修改为自己的路径，要不会出错

[python] view plain copy

1. # Create the trainval.txt, test.txt, and test_name_size.txt in data/VOC0712/  
2. ./data/VOC0712/create_list.sh  
3. # You can modify the parameters in create_data.sh if needed.  
4. # It will create lmdb files for trainval and test with encoded original image:  
5. #   - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_trainval_lmdb  
6. #   - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_test_lmdb  
7. # and make soft links at examples/VOC0712/  
8. ./data/VOC0712/create_data.sh  

此时发现执行create_data.sh时还是出错了，报错为：AttributeError: 'module' object has no attribute 'LabelMap'，原因是没有添加环境变量，解决方式：其中$CAFFE_ROOT是本caffe的根目录，注意换成自己的

[python] view plain copy

1. echo "export PYTHONPATH=$CAFFE_ROOT/python" >> ~/.profile    
2. source ~/.profile    
3. echo $PYTHONPATH #检查环境变量的值  

7.训练模型

因为我们用的是cpu，首先修改examples/ssd/ssd_pascal.py文件

将如下代码注释掉

[python] view plain copy

1. #gpus = "0,1,2,3"  
2. #gpulist = gpus.split(",")  
3. #num_gpus = len(gpulist)  
4.   
5. # Divide the mini-batch to different GPUs.  
6. batch_size = 32  
7. accum_batch_size = 32  
8. iter_size = accum_batch_size / batch_size  
9. solver_mode = P.Solver.CPU  
10. device_id = 0  
11. batch_size_per_device = batch_size  
12. #if num_gpus > 0:  
13. #  batch_size_per_device = int(math.ceil(float(batch_size) / num_gpus))  
14. #  iter_size = int(math.ceil(float(accum_batch_size) / (batch_size_per_device * num_gpus)))  
15. #  solver_mode = P.Solver.GPU  
16. #  device_id = int(gpulist[0])  

然后，

[python] view plain copy

1. # It will create model definition files and save snapshot models in:  
2. #   - $CAFFE_ROOT/models/VGGNet/VOC0712/SSD_300x300/  
3. # and job file, log file, and the python script in:  
4. #   - $CAFFE_ROOT/jobs/VGGNet/VOC0712/SSD_300x300/  
5. # and save temporary evaluation results in:  
6. #   - $HOME/data/VOCdevkit/results/VOC2007/SSD_300x300/  
7. # It should reach 77.* mAP at 120k iterations.  
8. python examples/ssd/ssd_pascal.py  

如果不想花费时间训练，可以在这里下载训练好的模型

https://drive.google.com/uc?id=0BzKzrI_SkD1_WVVTSmQxU0dVRzA&export=download

下载后解压，将其中的VGGNet文件夹复制到caffe/models下面，呀，你发现caffe/models下面已经有VGGNet文件夹了，这是之前我们做预训练时建立的，ok，把之前的这个名字改一下，就可以将VGGNet复制到此处了。

8.测试

1)在图片测试集上测试

[python] view plain copy

1. python examples/ssd/score_ssd_pascal.py  

这时你会发现报错，说cpu-only的版本不能用gpu，ok，打开score_ssd_pascal.py修改为

solver_mode = P.Solver.CPU

2)在网络摄像头上测试

[python] view plain copy

1. # If you would like to attach a webcam to a model you trained, you can do:  
2. python examples/ssd/ssd_pascal_webcam.py  

水平有限，如有问题欢迎交流~