SSD-caffe 实验

参考博客：https://blog.csdn.net/samylee/article/details/51822832

将kitti_detec数据转化成VOC格式：比例为8:1：1(原始训练集)

它由7481个训练图像（有标签）和7518个测试图像（无标签）组成。 该基准使用二D边界框重叠来计算用于检测的精确召回曲线，并计算定位相似性以评估鸟瞰视图中的定位估计。

训练阶段：

预训练模型：VGG_ILSVRC_16_layers_fc_reduced.caffemodel

初始学习率:   0.0006 
base_lr:      0.00024
发现:loss值震荡下降得很快，迭代400次，loss值从17下降到5.07
最大迭代次数：12万次
最终Loss值：  1.5左右

detect_eval:   0.689 mAp

实验结果：

实验总结：

1.需要删除/home/.../caffe/models/VGGNet/KITTI/SSD_300x300路径下的临时文件，不然会从中断点继续执行。

2.模型：ssd相当于vgg+detector，预训练的基底模型就是去掉了后几层的VGG，这个网络在imagenet上训练过，有分类能力，在ssd中主要用于提取特征。
3.detection_eval：每10000次迭代测一次test的精度mAp。
4.ssd_detect.py：替换prototxt文件，caffemodel文件和图片的路径，然后终端运行python ssd_detect.py就可以看到图片了。如果想进一步提高，可以考虑增加一些行人或自行车样本，平衡数据集

遇到的错误：

I0216 10:16:31.513517 16036 sgd_solver.cpp:138] Iteration 50, lr = 0.001

I0216 10:16:50.461427 16036 solver.cpp:243] Iteration 60, loss = nan
I0216 10:16:50.461556 16036 solver.cpp:259]     Train net output #0: mbox_loss = nan (* 1 = nan loss)
I0216 10:16:51.435171 16036 sgd_solver.cpp:138] Iteration 60, lr = 0.001
I0216 10:17:10.880903 16036 solver.cpp:243] Iteration 70, loss = nan
I0216 10:17:10.880944 16036 solver.cpp:259]     Train net output #0: mbox_loss = nan (* 1 = nan loss)
I0216 10:17:10.881077 16036 sgd_solver.cpp:138] Iteration 70, lr = 0.001

损失值溢出，从网上找来的意见是修改base_lr，乘以0.1，改为0.0001

只是修改solver.prototxt中的参数，重新执行后base_lr没有改变，但是mbox_loss没有再出现=nan的情况

ctrl+c中断程序后，再重新执行，需要删除/home/idc/deep/gjj/caffe/models/VGGNet/VOC0712/SSD_300x300路径下的临时文件，不然会从中断点继续执行。