Object-detection SSD安装和训练

Object-detection —— SSD（single shot multibox detector）

1. SSD的安装
自己的系统： Ubuntu
SSD GitHub： 传送门

首先先把代码拷下来：

cd path/to/your/ssd/living
git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd

紧接着我们就要编译caffe：

①caffe目录下，把Makefile.config.example 改名成Makefile.config
②make
③make py

编译这一步会出现一些链接错误或者其他错误：
比如说：找不到hdf5相关的so，找不到cv相关的函数定义，找不到Openblas相关的动态链接库。

解决方法：

hdf5:
在Makefile.config文件里面添加路径：
INCULDE_DIRS := path/to/hdf5/serial
LIBRARY_DIRS := path/to/hdf5/serial
Openblas :
BLAS_INCLUDE := path/to/OpenBLAS/include
BLAS_LIB := path/to/OpenBLAS/lib
如果还有其他错误，需要自己Google了。

到此，如果没有Error出现，那么就已经编译好了caffe。

2.训练

接下来的所有步骤，都在caffe目录下面（./表示caffe目录）

在caffe目录下面，接下来需要关注的文件夹有下面几个：

data（数据集）， examples（执行训练的脚本文件）

此时我们需要下载VOC2007 VOC2012 test 数据集，放在./data下面

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar 

tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar

上面这一步是为了得到相关的目录结构。

现在开始创建自己的数据集：

cd ./data
mkdir mydataset
cd mydataset
#把./data/VOC0712目录下面的create_list.sh create_data.sh labelmap_voc.prototxt 拷贝到mydataset下面：
cp ./data/VOC0712/create* ./
cp ./data/VOC0712/label* ./

labelmap_voc.prototxt这个文件是你要检测的object

在./data/VOCdevkit目录下面创建mydataset，并且生成自己的目录结构：

cd ./data/VOCdevkit
mkdir mydataset
cd mydataset
mkdir Annotations
mkdir ImageSets
mkdir JPEGImages
cd ImageSets
mkdir Layout
mkdir Main
mkdir Segmentation

上面这些文件夹的作用：

Annotations：存放xml文件，这个文件夹下面不能有子目录，必须全部是.xml文件。（object 的 bnbbox，name等）
ImageSets：下面三个子目录都需要放入train.txt, trainval.txt, test.txt 这三个文件（图片的文件名，不带后缀）。
JPEGImages：放入所有的图片，不能有子目录，必须所有图片塞进这个文件夹里面。

建立好这些文件夹之后，把自己的所有数据放进去包含自己数据的xml文件，图片，图片的文件名。

确保放好数据后再进行下一步

在 ./examples下面新建mydataset目录

    cd ./examples
    mkdir mydataset

这个mydataset目录下面是存放生成的lmdb文件的。

之后需要修改刚才那两个create开头的shell文件：

create_list.sh
把里面的root_dir改成你自己的VOCdevkit的路径
your/path/to/caffe/data/VOCdevkit
修改下面的for循环，把VOC2007 VOC2012 去掉：
for name in mydataset
保存退出

create_data.sh
把里面的data_root_dir 改成VOCdevkit的路径（跟上面一样）
把dataset_name改成mydataset
保存退出

好了，现在就可以执行这两个文件了。
Warning : 注意执行顺序

./data/mydataset/create_list.sh
./data/mydataset/create_data.sh

这一步可能会出现找不到libopenblas.so.0 的错误，解决方法：在/usr/lib下面制作一个软连接，链接到具体的libopenblas.so.0所在的路径

执行完（没有错误）之后，会在./examples/mydataset/文件夹下面会生成两个链接。

接下来修改./examples/ssd/ssd_pascal.py（训练脚本）文件：

（1）在文件开头添加路径，开头类似于：
from __future__ import print_function
import sys 
sys.path.insert(0, '/datastore2/lishigang/SSD/caffe/python')

（2）train_data：修改成上面生成的链接（train）
（3） test_data：修改成上面生成的链接（test）
（4）save_dir,snapshot_dir, job_dir,output_result_dir
修改成 自己的文件夹名字（前面路径不动，只修改/{}前面的就好）
（5）name_size_file, label_map_file : ./data/mydataset/test_name_size.txt
./data/mydataset/labelmap_voc.prototxt
（6） num_classes 需要检测的object数量+1
（7） num_test_image ：测试图片数量
（8） gpu的编号：0,1，2,3 用哪个写哪个。
保存退出

然后退回到caffe目录下面

执行：

python ./examples/ssd/ssd_pascal.py

这样就可以训练了。

上面可能会有一些python库找不到，需要用python install来安装，具体的包和库复制错误Google，* 上面都可以找到答案。

训练完之后，可以修改ssd_detector.py中模型的路径，然后进行识别。