SSD系列之一：安装，调试（caffe）

源代码From Caffe

https://github.com/weiliu89/caffe/tree/ssd

可以看出，在VOC上，SSD获得更高的平均AP和更快的速度。

VOC300和VOC512的区别主要是输入的尺寸选择，前者使用300*300。后者虽然AP更高，但是FPS（速度）显著下降。

安装测试

git clone https://github.com/weiliu89/caffe.git 
cd caffe 
git checkout ssd 
#确保当前的分支是origin/ssd
cp Makefile.config.example Makefile.config
make -j8 
# Make sure to include $CAFFE_ROOT/python to your PYTHONPATH. 
make pycaffe
make test -j8 
# (Optional) make runtest -j8

其他必要的准备工作

1，下载VGGNet（FCN版本），并且放到指定位置

Download fully convolutional reduced (atrous) VGGNet. By default, we assume the model is stored in $CAFFE_ROOT/models/VGGNet/

2，下载数据集，并且放到指定位置（也可以放在其他位置，不过需要修改后面的两个sh文件）

Download VOC2007 and VOC2012 dataset. By default, we assume the data is stored in $HOME/data/

3，创建LMDB文件（将原始的图像数据转换为LMDB数据）

./data/VOC0712/create_list.sh
./data/VOC0712/create_data.sh

如果第2步没有在默认位置存放数据集，则上述两个文件中的dir需要修改。

开始模型训练

# It will create model definition files and save snapshot models in:
# - $CAFFE_ROOT/models/VGGNet/VOC0712/SSD_300x300/
# and job file, log file, and the python script in:
# - $CAFFE_ROOT/jobs/VGGNet/VOC0712/SSD_300x300/
# and save temporary evaluation results in:
# - $HOME/data/VOCdevkit/results/VOC2007/SSD_300x300/
# It should reach 77.* mAP at 120k iterations.
python examples/ssd/ssd_pascal.py

执行上面的语句即可，上面给出了模型训练时保存的数据的地址，还给出了临时的评价地址，log地址等。并且建议要达到0.77的平均AP。

senya@senya-PC:~/Desktop/Senya-Win/DL/caffe/jobs/VGGNet/VOC0712/SSD_300x300$ ls
deploy.prototxt test.prototxt VGG_VOC0712_SSD_300x300.sh
solver.prototxt train.prototxt
ssd_pascal.py VGG_VOC0712_SSD_300x300.log

从上面的jobs文件夹的内容不难看出，该文件夹保留了模型的结构，分别保存在不同的prototxt文件中。

SSD系列之一：安装，调试（caffe）

猜你喜欢