Mobilenetv2-ssdlite 训练自己的数据集（训练）

1. 下载源码
git clone https://github.com/chuanqi305/MobileNetv2-SSDLite

2.从 tensorflow 下载 MobileNetv2-SSDLite 的 tensorflow 模型到 ssdlite/ 路径，并解压。

cd MobileNetv2-SSDLite/ssdlite/
wget http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
tar -zvxf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz

3. 转换 tensorflow 模型到 caffe（默认生成的是 coco 数据集的 caffemodel ）

####读取tf的pb模型，生成中间文件.dat在output 
python dump_tensorflow_weights.py

####修改load_caffe_weight.py 中 caffe_root 为自己的路径,读取coco 的deploy.prototxt，生成coco 的deploy.caffemodel
python load_caffe_weight.py

如果需要转换成 voc 模型，20 个类别
python demo_caffe_voc.py

当然也可一改成自己数据集的 caffemodel，需要改 coco2voc.py 脚本，并执行！！！（未成功）

4. 训练自己的数据集
4-1： 制作数据（前一篇博客）
4-2： 修改 label 文件，在 MobileNetv2-SSDLite/ssdlite/voc/ 目录下 **labelmap_voc.prototxt，修改成自己的类别，例如有两类hand,注意要加 background,加上背景总共两类

4-3:生成自己类别的prototxt文件
在 MobileNetv2-SSDLite/ssdlite/ 目录下的 gen_model.py 生成 caffe 训练测试时用的 prototxt 文件，注意 CLASS_NUM = 类别数 + 1，–tfpad，是为了消除识别时可能出现 bounding box 的偏差，–relu6，是为了将 ReLU 替换成 ReLU6， 同样的 修改 caffe_root 为自己的路径。

python gen_model.py -s train -c CLASS_NUM --tfpad --relu6 >train.prototxt
python gen_model.py -s test -c CLASS_NUM --tfpad --relu6 >test.prototxt
python gen_model.py -s deploy -c CLASS_NUM --tfpad --relu6 >deploy.prototxt

4-4:修改train.prototxt（修改为自己的路径）：
source: "trainval_lmdb"
label_map_file: "labelmap.prototxt"
batch_size: 64

5. 将上一步生成的文件放到ssdlite/voc下，并修改solver_train.prototxt 
net: "train.prototxt"

6. 开始训练

修改MobileNetv2-SSDLite/ssdlite/voc/train.sh

#!/bin/sh
mkdir -p snapshot
/home/alpha/ssd/build/tools/caffe train \
-solver="/home/alpha/MobileNetv2-SSDLite/ssdlite/voc/solver_train.prototxt" \
-weights="/home/alpha/MobileNetv2-SSDLite/ssdlite/deploy_voc.caffemodel" \
-gpu 0

 分别修改为自己的caffe路径，solver_train.prototxt路径和deploy_voc.caffemodel路径（我训练自己的数据集，用不了deploy_voc.caffemodel进行预训练）