对比实验系列：SSD环境配置及训练自己数据集

一、源码下载

可以从下方的链接下载SSD-Pytorch源码

https://github.com/bubbliiiing/ssd-pytorchhttps://github.com/bubbliiiing/ssd-pytorch

二、环境配置

1、创建环境

使用anaconda进行环境配置，创建一个ssd的环境：

conda create -n ssd python=3.8 -y

2、进入环境

激活anaconda环境：

conda activate ssd

3、torch安装

安装torch和torchvision，我所使用的torch版本为1.9.1+cu111，对应的torchvision版本为0.10.1+cu111：

pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

4、其他依赖包安装

由于SSD开发时间较早，很多依赖包版本已经过时，建议不要通过requirements.txt安装，自己一个一个安装包，下方就是SSD所需要的所有依赖包：

scipy
matplotlib
opencv_python
tqdm
Pillow
h5py

5、测试配置

需要在SSD代码根目录创建weights文件夹，通过下方链接下载预训练权重并放入文件夹。

百度网盘 请输入提取码百度网盘为您提供文件的网络备份、同步和分享服务。空间大、速度快、安全稳固，支持教育网加速，支持手机端。注册使用百度网盘即可享受免费存储空间https://pan.baidu.com/s/1iUVE50oLkzqhtZbUL9el9w提取码：jgn8

运行predict.py，在终端输入img/street.jpg：

最终的检测结果弹窗显示：

至此，SSD全部前置配置全部完成

6、预测过程中出现的问题

6.1 AttributeError: 'ImageDraw' object has no attribute 'textsize'

这是由于Pillow版本过高，已经移除了textsize参数，可以通过降低Pillow版本解决错误

pip install Pillow==9.5.0

三、自己的数据集制作

1、根目录创建文件夹

Annotations文件夹存放所有xml（VOC）格式的标签，ImageSets文件夹创建Main文件夹，YOLO文件夹存放所有YOLO格式（txt）标签

2、修改标签类型

在model_data文件夹内创建txt文件，将自己数据集的标签类型写入：

3、划分数据集，生成索引文件

修改标签文件路径和训练集比例后，运行voc_annotation.py，生成索引文件，索引文件保存在VOCdevkit\VOC2007\ImageSets\Main文件夹内。

4、补全索引文件路径

由于索引文件只生成了图片的名称，没有路径和后缀，所以要通过一个脚本对索引文件进行修改：

def process_txt_file(input_file, output_file):
    with open(input_file, 'r') as f_in, open(output_file, 'w') as f_out:
        for line in f_in:
            line = line.strip()  # 去除每行两边的空白符
            #填相对路径
            new_line = 'VOCdevkit/VOC2007/JPEGImages/' + line + '.jpg\n'
            f_out.write(new_line)

# 替换 'input.txt' 和 'output.txt' 为你实际的文件相对路径
process_txt_file('VOCdevkit/VOC2007/ImageSets/Main/val.txt', 'VOCdevkit/VOC2007/ImageSets/Main/output.txt')

四、训练

在train.py文件内修改参数

1、修改标签文件路径

2、修改预训练权重路径

3、修改训练轮数

4、修改线程数和数据集路径

5、开始训练

使用命令开始训练。

python train.py