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)