SSD框架训练自己的数据集

SSD框架训练自己的数据集（一）

在这里声明一下，我是在windows系统上安装数据标注助手对图片进行标注，没有在Ubuntu下安装labelImg，亲测这方法是可行的。

数据集的转换

caffe训练使用LMDB格式的数据，ssd框架中提供了voc数据格式转换成LMDB格式的脚本.
（一） VOC数据格式
用到三个文件夹：

1. Annotations:保存的是xml格式的lable信息，删除路径标签，修改folder标签值。

2. ImageSet目录下的Main目录（自己建立的）存放的是用来表示训练的图片集和训练集。共四个文件：
   —train.txt 用来训练的图片文件的文件列表（一般来说比测试集多，其实就是将图片的后缀名去掉，根据比重随机生成的一定数量的数据集信息）
   —val.txt:用来验证图片文件的文件名列表
   — trianval.txt是用来训练和验证的图片文件的文件名列表
   —test.txt 是用来测试的图片文件的文件名列表
   我们可以写个python程序，直接生成这四个文件，具体的代码网上很多（你可以根据自己数据集的实际情况修改训练和测试集的比例），就不累述了。

3. JPEGImages目录下存放所有图片集
   （二） 将VOC数据转换为LMDB数据
   SSD提供了VOC数据到LMDB数据的转换脚本。./data/VOC0712/create_list.sh 和 ./data/VOC0712/create_data.sh，这两个脚本是完全针对VOC0712目录下的数据进行的转换。
   　　将放置数据集的文件夹名称改为freckles，则pwd全路径为： $HOME/data/VOCdevkit
   　　根据自己的数据集，对应修改上述的两个脚本文件内容，可以采用gedit打开，或者在目录上打开终端输入gedit命令打开。修改的内容如下：
   　
   [create_list.sh]
   for name in VOC2007 VOC2012 --> for name in freckles

   [create_data.sh]
   由于我的是无法获取当前文件夹所在的根目录，即出现该文件中的第一行无法编译，以至于找不到.py文件运行。我使用的了绝对路径的方式进行修改，大家遇到此类问题，也可以采用此方法及逆行解决。

   [labelmap_voc.prototxt]
   将该文件中的类别修改成和自己的数据集相匹配
   完成上面步骤的修改后，可以开始LMDB数据数据的制作，在$CAFF{E}_{R}OOT目录下分别运行：./data/indoor/creat{e}_{l}is{t}_{i}ndoor.sh./data/indoor/creat{e}_{d}at{a}_{i}ndoor.sh命令执行完毕后，可以在$CAFFE_ROOT/indoor目录下查看转换完成的LMDB数据数据。
   （三） 使用SSD进行自己数据集的训练
   训练时使用ssd models中提供的预训练好的VGGnet model : VGG_ILSVRC_16_layers_fc_reduced.caffemodel
   将该模型保存到$CAFFE_ROOT/models/VGGNet下。
   将ssd_pascal.py复制一份，根据自己的数据集修改副本
   主要修改点：
   （1）train_data和test_data修改成指向自己的数据集LMDB
   　　　train_data = “examples/VOC0712/trainval_lmdb”
   test_data = “examples/VOC0712/test_lmdb”
   注意：如果文件或者文件夹上面有锁头的标志，说明没有访问权限，要使用sudo chmod -R 777 路径(文件夹或文件)获取权限。
   （2） num_test_image该变量修改成自己数据集中测试数据的数量
   （3）num_classes 该变量修改成自己数据集中 标签类别数量数 + 1
   训练命令：
   python examples/ssd/ssd_pascal_indoor.py
   后续我会整理下，在训练过程中出现的问题以及相应的解决方法。大家也可以参考以下链接：https://blog.csdn.net/a8039974/article/details/79836564