參考：https://blog.csdn.net/weixin_39881922/article/details/80569803

1 xml目标計算參考:https://blog.csdn.net/zjc910997316/article/details/100776527

2 生成tset.txt等檔案:https://blog.csdn.net/zjc910997316/article/details/100776527

(訓練二)王朗自然保護區---訓練前準備,設定１下載下傳源碼２設定自己的資料集3 其他需要修改的地方4 通過.sh腳本訓練網絡（通過加載預訓練好的vgg16模型，微調網絡）5 通過修改train_ssd network.py檔案訓練網絡（上述方法的替代方案）
3 VGG16模型下載下傳位址:連結：https://pan.baidu.com/s/1diWbdJdjVbB3AWN99406nA 密碼：ge3x

１下載下傳源碼

1.代碼位址：https://github.com/balancap/SSD-Tensorflow，下載下傳該代碼到本地

2.解壓ssd_300_vgg.ckpt.zip 到checkpoint檔案夾下

(訓練二)王朗自然保護區---訓練前準備,設定１下載下傳源碼２設定自己的資料集3 其他需要修改的地方4 通過.sh腳本訓練網絡（通過加載預訓練好的vgg16模型，微調網絡）5 通過修改train_ssd network.py檔案訓練網絡（上述方法的替代方案）

3. 測試一下看看，在notebooks中建立ssd_notebook.py,

格式這樣:notebooks/ssd_notebook.py

其實就是用jupyter notebook打開ssd_notebook.ipynb,儲存為ssd_notebook.py

該py檔案是完成對于單張圖檔的測試，對Jupyter不熟，就自己改了，感覺這樣要友善一些。

4.　19行是ipython格式(jupyter打開的)内容注釋掉即可

5. python ssd_notebook.py運作即可

２設定自己的資料集

1.将自己的資料集做成VOC2007格式放在該工程下面

2. 修改datasets檔案夾中pascalvoc_common.py檔案，将訓練類修改别成自己的

'''原始的
VOC_LABELS = {
    'none': (0, 'Background'),
    'aeroplane': (1, 'Vehicle'),
    'bicycle': (2, 'Vehicle'),
    'bird': (3, 'Animal'),
    'boat': (4, 'Vehicle'),
    'bottle': (5, 'Indoor'),
    'bus': (6, 'Vehicle'),
    'car': (7, 'Vehicle'),
    'cat': (8, 'Animal'),
    'chair': (9, 'Indoor'),
    'cow': (10, 'Animal'),
    'diningtable': (11, 'Indoor'),
    'dog': (12, 'Animal'),
    'horse': (13, 'Animal'),
    'motorbike': (14, 'Vehicle'),
    'person': (15, 'Person'),
    'pottedplant': (16, 'Indoor'),
    'sheep': (17, 'Animal'),
    'sofa': (18, 'Indoor'),
    'train': (19, 'Vehicle'),
    'tvmonitor': (20, 'Indoor'),
}
'''
#修改後的第一種思路:所有動物算一類
'''
VOC_LABELS = {
    'none': (0, 'Background'),
    'animal':(1,'Vehicle'),
}
'''
#修改後的第二種思路:14種動物
VOC_LABELS = {
    'none': (0, 'Background'),
    'antelope': (1, 'Animal'),
    'blood_male': (2, 'Animal'),
    'golden_monkey': (3, 'Animal'),
    'gr-tailed_pheasant': (4, 'Animal'),
    'panda': (5, 'Animal'),
    'rock_sheep': (6, 'Animal'),
    'sambar(female)': (7, 'Animal'),
    'sambar(male)': (8, 'Animal'),
    'small_muntjac': (9, 'Animal'),
    'takin': (10, 'Animal'),
    'tibetan_macaque': (11, 'Animal'),
    'tufted_deer': (12, 'Animal'),
    'wild_boar': (13, 'Animal'),
    'yellow_marten': (14, 'Animal'),
}

存在疑問？這裡的Animal　Background是什麼意思?是否在代碼裡面起作用了？

'none': (0, 'Background'),

'aeroplane': (1, 'Vehicle'),

'bicycle': (2, 'Vehicle'),

'bird': (3, 'Animal'),

3. 将圖像資料轉換為tfrecods格式，datasets/pascalvoc_to_tfrecords.py

修改datasets檔案夾中的pascalvoc_to_tfrecords.py檔案，

然後更改檔案的83行讀取方式為’rb‘，如果你的檔案不是.jpg格式，也可以修改圖檔的類型。

此外，修改67行，可以修改幾張圖檔轉為一個tfrecords

　200張預設

4.運作tf_convert_data.py檔案(通過腳本tf_convert_data.sh運作)，但是需要傳給它一些參數：

linux下:

在SSD-Tensorflow-master檔案夾下建立腳本檔案nk_tf_conver_data.sh,

自己建立的儲存tfrecords資料的檔案夾nk_tfrecords

檔案寫入内容如下：

DATASET_DIR=/home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/VOC2007/

OUTPUT_DIR=/home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/nk_tfrecords/

python  /home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/tf_convert_data.py \
    --dataset_name=pascalvoc \
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_test \
    --output_dir=${OUTPUT_DIR}

注意:這種紅色反斜杠時出問題的(懷疑是4567前面的tab造成，需要從新寫一遍就可以了，建議從新寫一遍,建議使用絕對路徑)

正确的這樣:　

但是還是報錯：ValueError: You must supply the dataset directory with --dataset_dir

(訓練二)王朗自然保護區---訓練前準備,設定１下載下傳源碼２設定自己的資料集3 其他需要修改的地方4 通過.sh腳本訓練網絡（通過加載預訓練好的vgg16模型，微調網絡）5 通過修改train_ssd network.py檔案訓練網絡（上述方法的替代方案）

解決辦法：

1我改用絕對路徑,

2#!/bin/bash　也是建議添加的

3下面帶有講解
#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
# /home/hp/zjc/Tensorflow/Deeplearning/dataset/VOCtest_06-Nov-2007/VOCdevkit/VOC2007/
DATASET_DIR=/home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/VOC2007/

#Output directory where to store TFRecords files
# /home/hp/zjc/Tensorflow/Deeplearning/dataset/VOCtest_06-Nov-2007/VOCdevkit/VOC2007_tfrecord/
OUTPUT_DIR=/home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/nk_tfrecords/



#/home/hp/zjc/Tensorflow/Deeplearning/SSD-Tensorflow-master/tf_convert_data.py
python  /home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/tf_convert_data.py \
    --dataset_name=pascalvoc \
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_test \
    --output_dir=${OUTPUT_DIR}
           

5.　通過指令bash tf_convert_data.sh 運作

四川王朗DW制作的資料集14070張圖檔,14070個xml檔案,200個轉化為一個tfrecord

bash tf_convert_data.sh　

之後得到71個tfrecord

6. 訓練模型train_ssd_network.py檔案中修改

修改154行最大訓練步數,None可以改成50000　max-step為None時訓練會無限進行

train_ssd_network.py　檔案中網絡參數配置，若需要改，在此檔案中進行修改，如

3 其他需要修改的地方

　　a. nets/ssd_vgg_300.py (因為使用此網絡結構) ，修改96和97行的類别、

=>nets/ssd_vgg_300.py 96

　　修改後

　　b. train_ssd_network.py,修改類别120行，GPU占用量，學習率，batch_size等

GPU占用量

　=>train_ssd_network.py 66

學習率0,001-0.0001,衰減率

　　　=>train_ssd_network.py　113 115

batch_size（我這裡是21，圖中32是預設的）,

batch_size=21 為了能被14070整除 14070/21 = 670 一般epoch訓練200輪次 200*670 =134000 需要訓練134000輪

物種數量(我這裡是15 = 14 + 1 因為14種動物加上背景),

=>train_ssd_network.py 151

c eval_ssd_network.py 修改類别，66行

=>eval_ssd_network.py 66

根據自己的資料修改為類别+1

　　d. datasets/pascalvoc_2007.py 根據自己的訓練資料修改整個檔案

=>datasets/pascalvoc_2007.py 89->109

'''原有代碼
TRAIN_STATISTICS = {
    'none': (0, 0),
    'aeroplane': (238, 306),
    'bicycle': (243, 353),
    'bird': (330, 486),
    'boat': (181, 290),
    'bottle': (244, 505),
    'bus': (186, 229),
    'car': (713, 1250),
    'cat': (337, 376),
    'chair': (445, 798),
    'cow': (141, 259),
    'diningtable': (200, 215),
    'dog': (421, 510),
    'horse': (287, 362),
    'motorbike': (245, 339),
    'person': (2008, 4690),
    'pottedplant': (245, 514),
    'sheep': (96, 257),
    'sofa': (229, 248),
    'train': (261, 297),
    'tvmonitor': (256, 324),
    'total': (5011, 12608),
}
TEST_STATISTICS = {
    'none': (0, 0),
    'aeroplane': (1, 1),
    'bicycle': (1, 1),
    'bird': (1, 1),
    'boat': (1, 1),
    'bottle': (1, 1),
    'bus': (1, 1),
    'car': (1, 1),
    'cat': (1, 1),
    'chair': (1, 1),
    'cow': (1, 1),
    'diningtable': (1, 1),
    'dog': (1, 1),
    'horse': (1, 1),
    'motorbike': (1, 1),
    'person': (1, 1),
    'pottedplant': (1, 1),
    'sheep': (1, 1),
    'sofa': (1, 1),
    'train': (1, 1),
    'tvmonitor': (1, 1),
    'total': (20, 20),
}
SPLITS_TO_SIZES = {
    'train': 5011,
    'test': 4952,
}
SPLITS_TO_STATISTICS = {
    'train': TRAIN_STATISTICS,
    'test': TEST_STATISTICS,
}
NUM_CLASSES = 20
'''

　　替換為如下:　注意這裡NUM_CLASSES=14，有多少類就是多少,無需+1(無需加背景類)

TRAIN_STATISTICS = {
    'none': (0, 0),
    'antelope': (500, 500),  # (有這個動物的圖檔有多少張, 這個動物bbox一共多少個)
    'blood_male': (1858, 5000),
    'golden_monkey': (627, 991),
    'gr-tailed_pheasant': (607, 607),
    'panda': (864, 864),
    'rock_sheep': (1599, 5000),
    'sambar(female)': (3165, 5000),
    'sambar(male)': (845, 845),
    'small_muntjac': (536, 536),
    'takin': (980, 1282),
    'tibetan_macaque': (226, 331),
    'tufted_deer': (1047, 1047),
    'wild_boar': (908, 1014),
    'yellow_marten': (308, 382),
    'total': (14070, 23399),
}

TEST_STATISTICS = {
    'none': (0, 0),
    'antelope': (1, 1),
    'blood_male': (1, 1),
    'golden_monkey': (1, 1),
    'gr-tailed_pheasant':(1, 1),
    'panda': (1, 1),
    'rock_sheep': (1, 1),
    'sambar(female)': (1, 1),
    'sambar(male)': (1, 1),
    'small_muntjac': (1, 1),
    'takin': (1, 1),
    'tibetan_macaque': (1, 1),
    'tufted_deer': (1, 1),
    'wild_boar': (1, 1),
    'yellow_marten': (1, 1),
    'total': (14, 14),
}

SPLITS_TO_SIZES = {
    'train': 14070,
    'test': 2814,
}
SPLITS_TO_STATISTICS = {
    'train': TRAIN_STATISTICS,
    'test': TEST_STATISTICS,
}
NUM_CLASSES = 14

e 疊代次數150000

=>train_ssd_network.py 155

batch_size=21 為了能被14070整除

14070/21 = 670

一般epoch訓練200輪次

200*670 =134000 需要訓練134000輪　取整150000

4 通過.sh腳本訓練網絡（通過加載預訓練好的vgg16模型，微調網絡）

下載下傳預訓練好的vgg16模型，解壓放入checkpoint檔案中，如果找不到vgg_16.ckpt檔案，可以在下面的連結中點選下載下傳。

連結：https://pan.baidu.com/s/1diWbdJdjVbB3AWN99406nA 密碼：ge3x

（ubuntu解壓不友善, 在win下下載下傳解壓）

按照之前的方式，同樣，如果你是linux使用者，你可以建立一個.sh檔案，檔案裡寫入

DATASET_DIR=./tfrecords_/
TRAIN_DIR=./train_model/
CHECKPOINT_PATH=./checkpoints/vgg_16.ckpt
  
python3 ./train_ssd_network.py \  
    --train_dir=./train_model/ \      #訓練生成模型的存放路徑  
    --dataset_dir=./tfrecords_/ \  #資料存放路徑  
    --dataset_name=pascalvoc_2007 \ #資料名的字首  
    --dataset_split_name=train \  
    --model_name=ssd_300_vgg \      #加載的模型的名字  
    --checkpoint_path=./checkpoints/vgg_16.ckpt \  #所加載模型的路徑  
    --checkpoint_model_scope=vgg_16 \   #所加載模型裡面的作用域名  
    --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \  
    --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box \  
    --save_summaries_secs=60 \  #每60s儲存一下日志  
    --save_interval_secs=600 \  #每600s儲存一下模型  
    --weight_decay=0.0005 \     #正則化的權值衰減的系數  
    --optimizer=adam \          #選取的最優化函數  
    --learning_rate=0.001 \     #學習率  
    --learning_rate_decay_factor=0.94 \ #學習率的衰減因子  
    --batch_size=24 \     
    --gpu_memory_fraction=0.9   #指定占用gpu記憶體的百分比

5 通過修改train_ssd network.py檔案訓練網絡（上述方法的替代方案）

1 在train_ssd_network.py檔案裡面直接修改(等效于用bash xxx.sh修改,)

(這裡記錄checkpoints和event logs)

(自己建立一個檔案夾tfmodel)

=>train_ssd_network.py 43

修改為

2 tfrecord存放位址

=>train_ssd_network.py 139

修改後

3 datasetname, pascalvoc_2007 #資料名的字首

=>train_ssd_network.py 133

修改後

4 ./checkpoints/vgg_16.ckpt \ #所加載模型的路徑

=>train_ssd_network.py 162

修改為 '/home/hp/zjc/nk_PyCharm/PyCharm_project/nk_ssd/SSD-Tensorflow-master/checkpoints/vgg_16.ckpt'

5 vgg_16 #所加載模型裡面的作用域名

=>train_ssd_network.py 166

修改後

6 checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box

=>train_ssd_network.py 170

修改後

7 trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box

=>train_ssd_network.py 175

修改後

save_summaries_secs=60 \ #每60s儲存一下日志

=>train_ssd_network.py 60

修改後

9 --save_interval_secs=600 \ #每600s儲存一下模型（不用改,本來就是）

=>train_ssd_network.py 63

10 --weight_decay=0.0005 \ #正則化的權值衰減的系數

=>train_ssd_network.py 72

修改後為

11 --optimizer=adam \ #選取的最優化函數

=>train_ssd_network.py 74

修改後為

12 --learning_rate=0.001 \ #學習率(本來就是)

=>train_ssd_network.py 113 115

如下會比較好:0.001-0.0001

13 --learning_rate_decay_factor=0.94 \ #學習率的衰減因子 (本來就是)

=>train_ssd_network.py 120

14 --batch_size=21 \ (暫時就是32了不做修改)

=>train_ssd_network.py 152

修改為21,為了能被14070(張圖檔)整除

batch_size=21 為了能被14070整除

14070/21 = 670

一般epoch訓練200輪次

200*670 =134000 需要訓練134000輪

15 --gpu_memory_fraction=0.9 #指定占用gpu記憶體的百分比\ (暫時就是32了不做修改)

=>train_ssd_network.py 66

１下載下傳源碼

２設定自己的資料集

3 其他需要修改的地方

4 通過.sh腳本訓練網絡（通過加載預訓練好的vgg16模型，微調網絡）

5 通過修改train_ssd network.py檔案訓練網絡（上述方法的替代方案）

繼續閱讀

YOLOv8來啦 | 詳細解讀YOLOv8的改進子產品！YOLOv5官方出品YOLOv8！1、YOLOv5回顧2、YOLOv8核心介紹參考文章

對YOLO-v1的了解及閱讀筆記YOLO-v1 閱讀筆記

yolox運作報錯--can‘t find starting numberyolox運作報錯–can’t find starting number

【論文閱讀筆記】Deep Neural Networks for Object Detection

【論文閱讀筆記】CenterNet：Objects as Points

【論文閱讀筆記】ThunderNet: Towards Real-time Generic Object Detection

【ICLR2019】Oral 論文彙總

【ICLR2019】Poster 論文彙總

目标檢測系列（IV）：YOLO V1、YOLO V2、YOLO V3

pp-picodet從環境配置到部署全流程（5）——PaddleLite端側部署1. PaddleDetection支援的部署形式說明

目标檢測架構｜又一新架構來襲，關系網絡用于目标檢測（文末附源碼）

yolov7 tensorrt模型加速部署【實戰】

FLASH高速PCB布局布線設計指南 FLASH高速PCB布局布線設計指南

目标檢測：YOLOV3論文解讀一、yolov3論文解讀

Pytorch機器學習（九）—— YOLO中對于錨框，預測框，産生候選區域及對候選區域進行标注詳解 Pytorch機器學習（九）—— YOLO中錨框，預測框，産生候選區域及對候選區域進行标注詳解前言一、基本概念二、代碼講解總結

2021-09-30三維點雲測量正方形包裹體積