pytorch-SSD在windows下训练自己的数据集

参考：https://zhuanlan.zhihu.com/p/98059235

最近做实验，参考各位大神的教程来跑自己的数据集，

整个过程做一个记录，为以后的复现做参考。

所用的代码地址：https://github.com/lufficc/SSD

这份代码是比较新的，比起两年前star数量最多的SSD Pytorch实现有更多的灵活度，更详细的文档，作者给出了不同的Backbone，在readme里面给出了特别详细的修改指导，对于想要自己更改网络，写自己的数据类的小伙伴，强烈安利！在此感谢原作者。

因为安装使用SSD和源码解读是很大两块内容，分俩个部分来写，第一部分主要是关于SSD的使用。

 

SSD安装/训练/推理

安装：（ubuntu环境）对于如何安装并跑这份代码作者在readme里面写得简直不能太详尽，只补充几个注意点：

• 养成好习惯，尽量在conda 里面创个虚拟环境
• CUDA9/10皆可，但是CUDA8是不行的
• 小Tip: conda install torchvision==0.3.0，一行命令基本帮忙把torch相关依赖都装上了

git clone https://github.com/lufficc/SSD.git
cd SSD
# Required packages: torch torchvision yacs tqdm opencv-python vizer
pip install -r requirements.txt
# Done! That's ALL! No BUILD! No bothering SETUP!

插播一下数据准备：

在根目录下新建一个datasets文件夹。源码支持coco/voc格式，当然你也可以自定义一个数据接口，这个作者也有指导！自己写数据类请参考ssd/data/datasets/目录下的coco.py和voc.py

对于VOC

--datasets
|   --voc2007
|        --Annotations
|             --1.xml,2.xml,....,......
|        --JPEGImages
|             --1.jpg,2.jpg,....,......
|        --ImageSets
|             --Main
|                 --test.txt #用于测试的。形如1,2,3,4...也就是index 加上.xml或者.jpg就是标签和图像的名字
|                 --train.txt #用于训练的
|                 --trainval.txt #训练加验证
|                 --val.txt #验证

仿照VOCDataset(torch.utils.data.Dataset)写一个针对自己特定数据格式的类就可！

对于想自己定义数据类以及更改网络结构的，给出原作者的指导

https://github.com/lufficc/SSD/blob/master/DEVELOP_GUIDE.md

 

含有三个目标的voc格式的.xml文件标长这样：

注意：这边有个坑，原作者是在训练时同事用了VOC2007和VOC2012的格式。所以在自己的数据集中也要有这两种格式的，其实就是吧VOC2007的复制一下，然后把名字改成VOC2012就行。或者如下修改只用voc2007就行。

当然也可以只用VOC2007，只需要在SSD-master/configs/vgg_ssd300_voc0712.yaml中设置就行

训练阶段

建立好自己数据后，需要把它的路径写到 ssd/config/path_catlog.py中，同时在configs/vgg_ssd300voc0712.yaml文件中指定所用数据。为了方便，上面我直接把自己的数据就命名为VOC2007，这样其实不需要改 pathcatlog.py.

 注意要点：还有一个特别需要注意的点就是类别的更改，在SSD-master/ssd/config/defaults.py和,configs/vgg_ssd300voc0712.yaml中的NUM_CLASSES是自己的数据的类别，记得加上背景，且一定要和数据集中的一样，而且不能有大写，空格等符号，只能是小写字母。同时，一定要在SSD-master/ssd/data/datasets/voc.py或者SSD-master/ssd/data/datasets/coco.py中(如果用的voc/coco格式)将类别标签都改为自己的.

SSD-master/ssd/config/defaults.py

 configs/vgg_ssd300voc0712.yaml

SSD-master/ssd/data/datasets/voc.py

 

注意：

运行train.py的训练的时候，由于在ssd/config/default.py中,默认是vgg网络作为backbone，但是如果你选择了使用预训练模型，那么往往会遇到一个问题，预训练模型需要到程序中指定的那个url去下载，但往往会失败。所以，这个时候不如到网上找一个vgg16的预训练模型vgg16_reducedfc.pth，根据错误提示，把模型放到~/.torch/models/下面，要在命令行下面操作，.torch是隐藏文件，图形界面找不到的

根据训练命令

python train.py --config-file configs/vgg_ssd300_voc0712.yaml

根据提示，由于在线下载vgg16的预训练模型vgg16_reducedfc.pth太慢，所以，在其他地方下载后放置提示文件夹。

再次执行训练命令

python train.py --config-file configs/vgg_ssd300_voc0712.yaml

 

训练成功。然后会再output文件夹下生成训练权重。注意：如果想要重新训练，要把生成的训练权重文件清除。

 

测试

python demo.py --config-file configs/vgg_ssd300_voc0712.yaml  --images_dir demo --score_threshold 0.7 --ckpt ./outputs1
1/vgg_ssd300_voc0712/model_final.pth

测试结果

会再outputs11文件夹里面生成 result文件夹，里面是带有标签的测试结果