ssd

最新推荐文章于 2020-11-26 03:07:10 发布

langxing1992

最新推荐文章于 2020-11-26 03:07:10 发布

阅读量1.1k

点赞数

文章标签： caffe linux

摘要: 配置ssd 并且整理自己的数据进行训练，调用c++ 接口来做检测分类

最近一直在看深度学习的东西，用到了ssd，上网一搜，找到一篇不错的博客，http://www.cnblogs.com/objectDetect/p/5780006.html，官网，这篇是连安装cuda到caffe环境的一系列http://blog.csdn.net/wopawn/article/details/52302164。经过磕磕绊绊，也决定写一篇相关的博客。

ssd的demo是介绍了在voc数据集上训练和验证，所以想要简单的使用ssd训练自己的数据，就是做成类似voc 的数据再调用ssd 中的ssd_pascal.py进行训练。这里需要说明的是ssd项目中自带的ssd_pascal.py文件会在VGG的模型上再训练，以我的理解就是在VGG的模型上做fine-tuning。

现在从头开始教程：

1 安装ssd

1.1 首先需要安装有git

sudo apt-get install git

1.2 git ssd 项目

git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd（出现“分支”则说明copy-check成功）

记得一定要用git的方法，不要直接下载caffe-master.zip这种压缩包，里面没有git的配置，没用的。

1.3 开始编译ssd

先安装一些依赖

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev

ubuntu14.04需要依赖

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

ubuntu16.04需要cuda 8

BLAS:可以通过

sudo apt-get install libatlas-base-dev

可以安装OpenBLAS 或者 MKL，MKL可以使CPU更好的工作。

要python的话可能要安装

sudo apt-get install python-pip python-numpy  python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython

开始编译，编译有两种办法：

1.3.1 直接make

cd "<你的caffe项目>"
cp Makefile.config.example Makefile.config

如果你想直接用CPU而不用GPU，进入Makefile.config将 #CPU_ONLY:=1这句去掉注释，像下面这个

# CPU-only switch (uncomment to build without GPU support).
CPU_ONLY := 1

如果要改BLAS：

# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := atlas

然后执行

make all -j8
sudo make install
make runtest （这个不一定要）
make pycaffe

1.3.2 用cmake方法安装

cd "<你的caffe项目>"
mkdir build
cd build
ccmake ..
make -j8
sudo make install
make runtest
make pycaffe

如果要改BLAS和单用CPU，在ccmake .. 中选择。

装好在之后注意配置python caffe 环境

vim /etc/profile

在最后一行添加

export PYTHONPATH=/home/........../caffe/python:$PYTHONPATH

然后更新下环境

source /etc/profile

1.4 验证pycaffe环境

python
import caffe

如果没有问题那就是成功了

如果有错误那么就打开主目录下的.bashrc写入那句话,再试试看。

2 训练自己模型

训练VOC数据的方法上面那篇博客有讲，这里不再多说。讲讲训练自己数据。

现在来看一下voc的标签00001.xml

<annotation>
    <folder>VOC2007</folder>
    <filename>000018.jpg</filename>
    <source>
        <database>The VOC2007 Database</database>
        <annotation>PASCAL VOC2007</annotation>
        <image>flickr</image>
        <flickrid>340537267</flickrid>
    </source>
    <owner>
        <flickrid>Kathy Stern</flickrid>
        <name>Kathy Stern</name>
    </owner>
    <size>
        <width>380</width>
        <height>285</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    <object>
        <name>dog</name>
        <pose>Left</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>31</xmin>
            <ymin>30</ymin>
            <xmax>358</xmax>
            <ymax>279</ymax>
        </bndbox>
    </object>
</annotation>

现在主要更改的是size中的width，height，object中的name和xmin，xmax，ymin，ymax这几个东西。

所以每幅图片都要在样子更改，上面的博客推荐了一个bbox-tool，但是对于我来说不太好用，然后就写了一个基于opencv的程序，稍后放出。

在ssd中voc的同级目录新建一个文件夹，讲所有图片和标签都放进去，做好链接文件夹下

trainval.txt 存放训练用的图片路径，格式类似
```
data1/image1.jpg data1/image.xml
```
test.txt 存放测试用的图片路径，格式和trainval.txt相同
test_name_size.txt 存放测试用的图片，格式类似测试 “ 图片名高长“
```
imagetest1 300 300
```
labelmap_indoor.prototxt 标签的名字，注意label 0 这类一定会存在，就是图片bounding box以外的数据标签

数据做好之后运行create_data.sh进行整理数据，create_data.sh里面可能有些路径错误，可以自行改到自己的数据目录。

运行create_data.sh之后会在当前目录和ssd的examples下新建一个数据目录，名字是当前目录的名字。

3 训练

打开ssd_pascal.py需要修改的有一下几点：

train_data和test_data , 指向examples中你的数据，例如

train_data = "examples/indoor/indoor_trainval_lmdb"
# The database file for testing data. Created by data/VOC0712/create_data.sh
test_data = "examples/indoor/indoor_test_lmdb"

num_test_image该变量修改成自己数据集中测试数据图片的数量
num_classes 该变量修改成自己数据集中标签类别数量数 + 1
gpus = "0,1,2,3" 电脑有几个gpu就写多少个，如果有一个就写gpus="0",两个就写gpus="0,1",以此类推。

最后到caffe的根目录运行,ps:你的ssd_pascal.py的目录是example/yourSSD/ssd_pascal.py

python example/yourSSD/ssd_pascal.py

4 测试

有好几种测试的方法，

4.1 python

在caffe的根目录运行ssd_pascal_webcam.py这个文件，这是使用摄像头实时测试的软件，读取的caffemodel是在caffe/models/VGGNet/VOC0712/SSD_300x300_webcam下最新的model，所以记得在这个文件夹中放入模型。还要更改下ssd_pascal_webcam.py中label_map_file到你的labelmap_voc.prototxt

python examples/ssd/ssd_pascal_webcam.py

4.2 c++

编译完SSD后，C++版本的的可执行文件存放目录： .build_release/examples/ssd/ssd_detect.bin

测试命令 ./.build_release/examples/ssd/ssd_detect.bin models/VGGNet/indoor/deploy.prototxt models/VGGNet/indoor/VGG_VOC0712_SSD_300x300_iter_60000.caffemodel pictures.txt

ssd自带ssd_detect.cpp，可以拿来使用。

4.2.1 用qt.pro件定义中需要引入你的caffe配置，例如

LIBS += /home/xxx/caffe/build/lib/libcaffe.so 

INCLUDEPATH += /home/xxx/caffe/include

INCLUDEPATH += /home/xxx/caffe/build/include

可能还会有一些编译问题：

error while loading shared libraries: libglog.so.0: cannot open shared object file: No such file or directory解决
```
LIBS +=/usr/lib/x86_64-linux-gnu/libglog.so
```
libcaffe.so.1.0.0-rc3: cannot open shared object file: No such file or directory解决：在/etc/ld.so.conf.d/下新建caffe.conf文件，在caffe.conf中加入到libcaffe.so.1.0.0-rc3的位置，基本上是在build的lib里。

4.2.2 使用cmake

如果是使用cmake，注意安装ssd的时候一定要make install

然后CMakeLists.txt

find_package(OpenCV REQUIRED)
find_package(Caffe REQUIRED)


#option (CPU_ONLY "Use CPU or use GPU" ON)
#option (USE_OPENCV "Use CPU or use GPU" ON)
include_directories( ${Caffe_INCLUDE_DIRS} )
add_definitions(${Caffe_DEFINITIONS}) # ex. -DCPU_ONLY
add_executable(ssd_detect ssd_detect.cpp )