SSD讲堂二(整体流程)_balancap-ssd-tensorflow_ubuntu环境_手把手教学操作全流程

重要参考 https://blog.csdn.net/yexiaogu1104/article/details/77415990

第一部分

一、利用jupyter Notebook可以轻松的运行SSD的一个测试用例

你要做的就是：

1. 下载模型ssd_300_vgg，存放在SSD-Tensorflow-master/checkpoints/这个目录下,解压

2. 打开终端，在主目录下，进入SSD-Tensorflow-master目录，进入 notebooks目录，运行 jupyter-notebook进入http://localhost:8892/tree服务器，打开 ssd_notebook.ipynb.ipynb文件

3. （此步骤其他教程有说，我没有做，用的默认的可以运行）

配置一些路径：第4个cell中from notebooks import visualization改成import notebooks，不改的话目录结构不对，会报错

4.运行到第4个cell报错说找不到 nets 模块，解决办法是在第三个cell里面添加路径，一定是到nets文件夹的上一级目录

/home/hp/zjc/Tensorflow/Deeplearning/SSD-Tensorflow-master/

否则会报错

5.使用自己的图片，改变path = '../demo/'成自己的图片所在路径

6. 从头到尾运行所有cell即可。

第二部分

二、制作数据集

1.VOC2007为例，结构如下

～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～`

+VOCtrainval_06-Nov-2007

+VOCdevkit

+VOC2007

+Annotations

+ImageSets

+JPEGImages

+SegmentationClass

+SegmentationObject

～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～

+VOCtest_06-Nov-2007

+VOCdevkit

+VOC2007

+Annotations

+ImageSets

+JPEGImages

+SegmentationClass

+SegmentationObject

～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～

2.voc2007的文件要如此放置3个压缩包分别放在三个文件夹（文件夹按要求命名），解压出来

3.为了避免每次在终端敲那么多字母，建议新建一个.sh文件，把以下脚本粘贴进去.

起名为 tf_convert_data.sh

只要在这里更改DATASET_DIR与OUTPUT_DIR路径就可以了

最后在文件所在目录打开终端并输入bash tf_convert_data.sh：

(本教程所建立的所有shell脚本都存放在

/home/.../Tensorflow/Deeplearning/shell这个文件夹下)

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

#以下是格式说明文件

＃filename = tf_convert_data.sh

#!/bin/bash

#This is a shell script to convert Pascal VOC datasets(2007 and 2012) into TF-Records only.

#Directory where the original dataset is stored

DATASET_DIR=/home/hp/zjc/Tensorflow/Deeplearning/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007/

#Output directory where to store TFRecords files

OUTPUT_DIR=/home/hp/zjc/Tensorflow/Deeplearning/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007_tfrecord/ #一定注意这里的VOC2007_tfrecord文件夹是自己新建的，用于输出tfrecord文件

python ../tf_convert_data.py \ #此处找到tf_convert_data.py 路径即可eg: python /home/hp/zjc/Tensorflow/Deeplearning/SSD-Tensorflow-master/tf_convert_data.py \

--dataset_name=pascalvoc \

--dataset_dir=${DATASET_DIR} \

--output_name=voc_2007_train \

--output_dir=${OUTPUT_DIR}

～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～～~~~~

#下面是我自己的.sh文件可以稍微改下路径复制直接用

#filename = tf_convert_data.sh
#!/bin/bash
#This is a shell script to convert Pascal VOC datasets(2007 and 2012) into TF-Records only.

#Directory where the original dataset is stored
DATASET_DIR=/home/hp/zjc/Tensorflow/Deeplearning/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007/

#Output directory where to store TFRecords files
OUTPUT_DIR=/home/hp/zjc/Tensorflow/Deeplearning/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007_tfrecord/

python /home/hp/zjc/Tensorflow/Deeplearning/SSD-Tensorflow-master/tf_convert_data.py \
    --dataset_name=pascalvoc \
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_train \
    --output_dir=${OUTPUT_DIR}

～～～～～～～～～～～～～～～～～～～～～～～～～～～～～

如图

4.运行指令，终端里面bash tf_convert_data.sh即可

（VOC2007_tfrecord文件夹是自己新建的，用于输出tfrecord文件运行结果如下）

运行结果如下：

（有的博主说官方的小DEMO有问题，原话如下：demo中的sess = tf.Session()这条语句连续第二次运行的时候，一切又回复正常，ｗｔｆ!!!

我：同样遇到，但是一会又好了，而且检测同样一张图片随缘成功）

第三部分

三、验证

1.下载好三个checkpoint:SSD-300 VGG-based, SSD-300 VGG-based, SSD-512 VGG-based，（需要翻，否则点了也加载不出来，具体请私信我，教你修改HOSTS）

为了 reproduce evaluation metrics on the recall-precision curve　&& compute mAP metrics following the Pascal VOC 2007 and 2012 guidelines. 跟制作数据集的shell 脚本一样，可以在tf_convert_data.sh脚本所在目录”/shell”，新建脚本并将如下代码粘贴进去，运行bash eval_ssd_network.sh执行：

2.直接执行会报错

TypeError: Can not convert a tuple into a Tensor or Operation.

解决办法如下：参照此网址

https://www.cnblogs.com/xlqtlhx/p/7866791.html

第一部分粘贴进去

第二，三部分看好位置调用flatten函数

一部分

def flatten(x):  
    result = []  
    for el in x:  
         if isinstance(el, tuple):  
               result.extend(flatten(el))  
         else:  
               result.append(el)  
    return result

二，三部分

# Waiting loop.  
            slim.evaluation.evaluation_loop(  
                master=FLAGS.master,  
                checkpoint_dir=checkpoint_path,  
                logdir=FLAGS.eval_dir,  
                num_evals=num_batches,  
                eval_op=flatten(list(names_to_updates.values())), #这里调用flatten  
                variables_to_restore=variables_to_restore,  
                eval_interval_secs=60,  
                max_number_of_evaluations=np.inf,  
                session_config=config,  
                timeout=None)  
# Standard evaluation loop.  
            start = time.time()  
            slim.evaluation.evaluate_once(  
                master=FLAGS.master,  
                checkpoint_path=checkpoint_path,  
                logdir=FLAGS.eval_dir,  
                num_evals=num_batches,  
                eval_op=flatten(list(names_to_updates.values())), #这里也调用flatten  
                variables_to_restore=variables_to_restore,  
                session_config=config)