linux下mxnet编译和基于ssd的模型训练

1.写在前面

最近做了一些基于mxnet框架和ssd算法做图像识别的工作，从编译到最终训练，走了不少弯路，写在这里，希望对学习这方面知识的盆友有所帮助。

2. mxnet的gpu版本编译

下载mxnet并编译，我当时这一步做了好久，因为要安装mxnet的电脑没联网……

3.ssd算法训练实现

参考SSD算法的MXNet实现，这篇博客基本是翻译的github上ssd的算法介绍与实现。
其中第三步讲了基于pascal VOC数据集进行训练的步骤。

如果在执行生成.lst和.rec文件时运行下面的代码

sh prepare_pascal.sh

报错提示为：找不到xx指令等等，可以以文本形式打开prepare_pascal.sh，发现其作用是获得当前绝对路径然后设置.lst和.rec的目标路径，因此可以在prepare_pascal.sh的文件夹下，终端输入

python prepare_dataset.py --dataset pascal --year 2007 --set trainval --target $ 到ssd/data的路径/train.lst

第二行同理。如果没有报错，忽略这一段。

我们如果希望自己训练模型，需要做以下几个工作：
1.理解train.py中的参数意义，请阅读AI之路-SSD算法代码介绍（一）：训练参数配置 ，这篇博主对AI里一些常用算法和框架做了深入的研究，非常有参考价值，墙推。
2.将VOCdevkit文件夹下面的VOC数据集替换为自己的数据集，文件目录保持不动，VOC2007数据集制作教程，这篇教程里末尾代码import os好像有点问题，删除之后重新输入一遍应该就可以了。
3.生成.lst和.rec二进制文件，然后将ssd/dataset/names/pascal_voc.names中的名称替换为自己训练图像数据中的目标名称，这个名称与VOC2007/Annotations中.xml文件里涉及到的所有object中的name是一致的。
4.修改train.py中的部分参数，如–class-names，也改为和上面name一样的；–num-class；–prefix，修改'model'为自己想保存的路径；其中的gpus根据自己的情况修改；–batch-size的default值可以稍微小一些，防止运行train.py之后报错out of memory，即内存不足。注意修改为8的整数倍。

最后再执行python train.py就可以开开心心训练啦~