SSD模型配置（训练）与运行

参考博文：

1. * ssd模型配置及运行demo

2. * SSD: Signle Shot Detector 用于自然场景文字检测

3. SSD的配置安装与测试

4. * SSD: Single Shot MultiBox Detector检测单张图片

简介：

SSD基于Caffe框架实现，在Github上可以获得开源代码。SSD 是用来检测物体的，那么同样可以将 SSD 用来检测自然场景图像中的文字。

第一部分：安装SSD（caffe）

1、安装Git

终端输入：

sudo apt-get install git　　

2、安装SSD

在主文件下终端输入（即/home/***（您的服务器名字）这个目录）：

git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd（出现“分支”则说明copy-check成功）

会在examples目录下出现ssd项目 

第二部分：配置SSD（caffe）

终端输入：
cd /home/**（您服务器的名字）/caffe

cp Makefile.config.example Makefile.config

打开Makefile.config，开始修改，保存退出；或者从之前caffe项目复制其配置文件到这里。
终端输入：

cd /home/**（您服务器的名字）/caffe
mkdir build
cd build
# 下面的命令都在build目录下执行
cmake ..（cmake和..中间又一个空格）
make all -j16（"‐j16"是使用 CPU 的多核进行编译,可以极大地加速编译的速度）
make pycaffe（编译pycaffe）　　

注：编译最新的caffe使用cudnn，其版本要求至少为v4，否则出错.[2017-02-21]

第三部分：下载数据文件

1、 预训练模型下载

下载地址：VGG_ILSVRC_16_layers_fc_reduced.caffemodel

在caffe/models文件夹下新建文件夹，命名为VGGNet，将刚刚下载下来的文件放入这个VGGNet文件夹当中

2、下载VOC2007和VOC2012数据集

在用户主目录下（即/home/**（您服务器的名字）/）新建data/目录

终端输入：

cd /home/**（您服务器的名字）/data
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　　

解压这三个文件，终端输入（请严格按照这个顺序解压）：

cd /home/**（您服务器的名字）/data
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar　　

 

第四部分：生成LMDB文件

终端输入：

cd /home/**（您服务器的名字）/caffe
./data/VOC0712/create_list.sh
./data/VOC0712/create_data.sh　　


在运行第三步时如果出现no module named caffe或者是no module named caffe-proto，则在终端输入：


export PYTHONPATH=$PYTHONPATH:/home/**（您服务器的名字）/caffe/Python


然后再次运行


第五部分：训练测试演示


1、 训练
打开caffe/examples/ssd/ssd_pascal.py这个文件，找到gpus='0,1,2,3'这一行，如果您的服务器有一块显卡，则将123删去，如果有两个显卡，则删去23，以此类推。


如果您服务器没有gpu支持，则注销以下几行，程序会以cpu形式训练。（这个是解决问题cudasuccess（10vs0）的方法） 




#Ifnum_gpus >0:

    # batch_size_per_device =int(math.ceil(float(batch_size) / num_gpus))

#iter_size =int(math.ceil(float(accum_batch_size) / (batch_size_per_device * num_gpus)))

# solver_mode =P.Solver.GPU
# device_id =int(gpulist[0]) 




保存后终端运行：




cd  /home/**（您服务器的名字）/caffe
python examples/ssd/ssd_pascal.py




如果出现问题cudasuccess（2vs0）则说明您的显卡计算量有限，则编辑文件 vim examples/ssd/ssd_pascal.py ，找到batch_size = 32这一行，修改数字32为16或8或4，保存后再次终端运行 python examples/ssd/ssd_pascal.py 


注意，SSD模型训练过程中GPU显存需求略小于 8GB。这意味着4GB或6GB显存的GPU无法直接训练SSD[实验室配置为GT980，显存6GB，cudnn加速能力5]，可以通过减小batchsize来绕过这个问题。




wang@VisInt:~$ nvidia-smi
Tue Feb 21 17:30:36 2017       
+------------------------------------------------------+                       
| NVIDIA-SMI 346.82     Driver Version: 346.82         |                       
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 980 Ti  Off  | 0000:02:00.0     N/A |                  N/A |
|  0%   37C    P8    N/A /  N/A |     48MiB /  6143MiB |     N/A      Default |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID  Type  Process name                               Usage      |
|=============================================================================|
|    0            C+G   Not Supported                                         |
+-----------------------------------------------------------------------------+　　




2、 测试
终端输入：




python examples/ssd/score_ssd_pascal.py　　




演示detection的训练结果，数值在0.728左右


3、 用训练好的 model 进行 predict


>>演示网络摄像头识别效果，终端输入：




python examples/ssd/ssd_pascal_webcam.py　　





要求机器上有摄像头，Linux服务器桌面环境下运行命令　　


>>检测图片：




jupyter notebook　　




打开 ~/caffe/examples/ssd_detect.ipynb


指定好 caffemodel


 


要求在Linux服务器桌面环境下运行命令