说明

基于caffe平台的，SSD、MobileNet SSD、ShuffleNet SSD目标检测模型。

SSD

可参考：

安装

下载 SSD源码, 修改配置文件, 构建编译即可.

使用

训练自己的数据

准备数据集

VOC 格式数据集
生成数据集: ./create_list.sh, ./create_data.sh

MobileNet SSD

安装

MobileNet-SSD

下载源码，放入examples文件夹，重命名为 “MobileNetSSD” 即可。

使用

生成训练测试文件

执行 ./gen_model.sh CLASSNUM 会根据类别和模板文件，在“example”文件夹生成以下文件：

MobileNetSSD_test.prototxt （测试用文件）
MobileNetSSD_train.prototxt（训练用文件）
MobileNetSSD_deploy_bn.prototxt（网络结构文件，含batchnorm）
MobileNetSSD_deploy.prototxt（网络结构文件，不含batchnorm）

需要注意的是：

CLASSNUM 含背景类
生成的deploy.prototxt文件，默认偏置都是有的，而训练文件里前几层是没有偏置的，因而会出现后文中的问题，可以修改模板中的参数，或者修改train中的参数。
模板文件中的卷积层参数 cls1x、cls3x、cls6x 与类别数有关

生存训练测试数据集

使用SSD源码目录下的“data”文件夹中提供的 create_list.sh 和 create_data.sh脚本生成数据集，并将生成的 “XXX_trainval_lmdb” 文件链接到MobileNetSSD根目录即可。或者修改 “example/ MobileNetSSD_train.prototxt” 中的文件路径，如下：

  data_param {
    source: "trainval_lmdb/"
    batch_size: 24
    backend: LMDB
  }

训练

终端执行如下命令训练

#!/bin/sh
if ! test -f example/MobileNetSSD_train.prototxt ;then
	echo "error: example/MobileNetSSD_train.prototxt does not exist."
	echo "please use the gen_model.sh to generate your own model."
        exit 1
fi
mkdir -p snapshot
../../build/tools/caffe train -solver="solver_train.prototxt" \
-weights="mobilenet_iter_73000.caffemodel" \
-gpu 0

批量测试

#!/bin/sh
#latest=snapshot/mobilenet_iter_73000.caffemodel
latest=$(ls -t snapshot/*.caffemodel | head -n 1)
if test -z $latest; then
	exit 1
fi
../../build/tools/caffe train -solver="solver_test.prototxt" \
--weights=$latest \
-gpu 0

MobileNet SSDLite

安装

MobileNetv2-SSDLite

ShuffleNet SSD

Depthwise卷积

1.下载源码

从caffe-mobilenet或caffe官方库中下载 Depthwise卷积实现文件。

将以下文件放入caffe源码src文件夹 “caffeSSD/src/caffe/layers” 中。

conv_dw_layer.cpp
conv_dw_layer.cu

将以下文件放入caffe源码include文件夹 “caffeSSD/include/caffe/layers” 中。

conv_dw_layer.hpp

2.重新编译构建

该层不需要额外在caffe.proto文件中声明，所以直接编译构建

make clean
make all -j$(nproc)
# Make sure to include $CAFFE_ROOT/python to your PYTHONPATH.
make pycaffe -j$(nproc)
make test -j$(nproc)
# (Optional)
#make runtest -j$(nproc)

注：这里可以先不编译，可以跟下面的ShuffleNet一起编译构建。

ShuffleNet

1.下载源码

从这里 ShuffleNet 下载ShuffleNet层源码。

将以下文件放入caffe源码src文件夹 “caffeSSD/src/caffe/layers” 中。

shuffle_channel_layer.cpp
shuffle_channel_layer.cu

将以下文件放入caffe源码include文件夹 “caffeSSD/include/caffe/layers” 中。

shuffle_channel_layer.hpp

2.修改caffe.proto

修改 “/caffeSSD/src/caffe/proto/caffe.proto” 文件，在 LayerParameter， ShuffleChannelParameter 分别添加：

message LayerParameter {
...
optional ShuffleChannelParameter shuffle_channel_param = 164;
...
}
...
message ShuffleChannelParameter {
  optional uint32 group = 1[default = 1]; // The number of group
}

3.编译构建

重新编译构建即可：

make clean
make all -j$(nproc)
# Make sure to include $CAFFE_ROOT/python to your PYTHONPATH.
make pycaffe -j$(nproc)
make test -j$(nproc)
# (Optional)
#make runtest -j$(nproc)

使用

根据类别，修改 test.prototxt, train.prototxt

228(38*6) --> 24(4*6)

114(38*3) --> 12(4*3) name: "conv13_mbox_conf"

问题

网络结构

权重与偏置

在测试时运行提示如下错误，卷积层0的blob数不一致，原来是1个，现在是2个，即训练的时候只有一个，现在变成了两个。什么问题呢？

Check failed: target_blobs.size() == source_layer.blobs_size() (2 vs. 1) Incompatible number of blob  for layer conv0

这是因为训练时conv0有只有权重参数，没有偏置，可以通过查看 train.prototxt 看到，而测试时，conv0既有权重参数，又有偏置，可以通过查看 deploy.prototxt 看到，

重名层

当网络结构文件中，包含一样名字的层时，会提示类似如下错误：

Top blob 'detection_out' produced by multiple sources.

精度问题

需要注意以下问题：

训练与测试需要使用相同的参数：如都使用batchnorm或都不使用

caffe 环境下的目标检测

文章目录

说明

SSD

安装

使用