實驗目的

繼caffe和ssd搭建完成，demo也演示完畢，了解一些基本知識后，現在開始訓練自己的數據集，在給自己的訓練集處理之前，先跟著官方的示例將Pascal VOC數據集訓練走一遍，把可能會踩坑的地方先踩過去，積累點經驗。

實驗環境

訓練平臺：NVIDIA K80

預測平臺：NVIDIA TX1

語言??????? ：C++，Python

框架 ? ? ?? ：caffe

方法 ? ? ?? ：SSD

實驗準備

首先是數據集，上一篇博客上有數據集在百度云上的的下載路徑：

鏈接：http://pan.baidu.com/s/1c1AwrRy 密碼：ly70

將路徑放在自己的硬盤里面，建議不要放在Linux的系統盤內，可以放在自己的機械硬盤或者移動硬盤中，掛載到Linux系統路徑下就好；

實驗步驟

從幾個重要的文件開始說起。在caffe的目錄下，有一個data，在里面找到VOC0712文件夾，重點注意其中幾個文件：

1.create_list.sh

這是將數據集做成方便之后生成lmdb的路徑信息文件，注意將其中的root_dir和第二個for循環中的變量改為自己的路徑就好，如下圖紅框所示：

執行完腳本之后生成三個txt文件，如下：

1）test_name_size.txt每一行分為兩個部分，第一部分是test圖片的名字，第二部分是圖像的size方便之后caffe訓練的時候用作test；

2）test.txt每一行分為兩個部分，第一部分是用作test的圖片的路徑信息和文件名，第二部分是用作test的圖片的label信息文件（xml）；

3）trainval.txt每一行分為兩個部分，第一部分是用作trainval的圖片的路徑信息和文件名，第二部分是用作trainval的圖片的label信息文件（xml）；

2.create_data.sh

該文件負責讀取上一個腳本生成的幾個文件，然后根據路徑和label信息分別生成trainval和test的lmdb文件，主要注意下面紅框部分換成自己的路徑即可：

3.labelmap_voc.prototxt

該文件主要記錄需要訓練識別的n種對象的信息，第一類是background，是不變的，對于Pascal VOC數據集來說，需要識別20種對象，所以后面還有20個label。與傳統的機器學習不太一樣的是，以前需要輸入正負樣本，在caffe種，不管是faster rcnn還是ssd，都是只用對訓練圖像將識別對象的坐標信息標注即可，除了標注信息以外的部分都會當做background去處理。

以上三個文件完成之后，只算作是給訓練提供了正確可讀的數據集，即lmdb文件。切換到caffe路徑下的examples/ssd/中，注意一個文件即可。

4.ssd_pascal.py

這個文件是用來訓練數據集的，值得注意的是，該文件是一個一次性的腳本，執行完之后會在規定路徑下生成一個jobs文件夾，里面有用作訓練，測試，部署的prototxt文件，還有最終執行訓練的腳本。

需要修改幾個地方：

①84,86行改為自己的lmdb文件的路徑：

②242行到265行將生成的prototxt文件和jobs文件夾的路徑改為自己規定的路徑，并在正確的地方讀取前幾個腳本生成的文件：

③268行改變訓練對象的數量，為對象數+1（background），334行選擇使用哪一款GPU，361行改變為用作test的圖像總數，560行建議把caffe的bin文件改成絕對路徑：

完了之后執行腳本即可，之后會在相應的路徑下生成jobs文件夾，其中包含了這一次訓練的腳本文件，并且會記錄caffe執行只一次訓練的日志信息，如下所示：

VGG_VOC0712_SSD_300x300.sh文件即為調用build中的caffe程序，讀取相應的文件進行訓練：

執行完Python腳本之后，在caffe路徑下的models路徑中會有本次訓練用到的prototxt文件，同時生成的caffemodel文件也將存儲在這個路徑下面：

寫這一篇博客的時候數據集還在訓練中，caffemodel的快照及最終的文件還未存儲下來。

實驗總結

了解了Pascal VOC數據集的訓練步驟之后，就可以開始去動手制作我們自己的數據集了，下一步我將會把使用ssd對umdfaces數據集的訓練步驟和問題給記錄下來，關于umdfaces數據集的信息和將其制作為Pascal VOC格式，可以參考我的另一篇博文：

使用faster rcnn訓練umdfaces數據集?

關于文中用到的VGGNet的預訓練模型文件，云盤地址如下：

鏈接：http://pan.baidu.com/s/1c1JQaCK 密碼：4crz

總結

以上是生活随笔為你收集整理的Ubuntu上用caffe的SSD方法训练Pascal VOC数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。