人工智能之caffe ssd训练自己的模型：今天给讲一下如何使用caffe-ssd训练自己的数据。
因为前天跑了一下caffe-ssd模型，并在pascal voc上跑了两天，效果不错，今天突然发现caffe-ssd目录没有了，，好像莫名被删除了，于是早上重新装了一遍，下午开始摸索如何用caff-ssd跑自己的数据，一个下午时间总算摸索出来了，记录一下，方便有需要的朋友参考．
caffe-ssd训练自己的数据其实挺简单的，生成目标检测的lmdb数据时候需要根据caffe-ssd中的代码生成，下面讲解一下如何操作：
需求说明：使用caffe-ssd训练文本区域检测的ssd模型，简单说就是检测一张纸上面的文字区域，检测类别只有一类textarea．(如果你有多个检测类别也可以，一样的操作方法)
１，数据准备：不管你的数据是用什么标注工具标的，肯定可以得到一个.txt文件吧(自己写一个程序把标注工具标注的文件解析出来)，.txt文件里面如下第一行所示：(xmin, ymin,xmax, ymax)
data/data_ori/IMG_20171113_114301.jpg 924 740 2593 3549 0(我只有一个类别，所有标签是０)
data/data_ori/IMG_20171113_114301.jpg 332 484 1913 3261 0 1076 1036 2669 3785 １(如果你是多个类别，那一张图片肯定对应如这行一样的多个标签和坐标值)
数据先任意放在一个目录处理即可，然后写个程序该图片名字，改成和VOC一样的命名，改成数字开头即可，比如从00000000.jpg开始的图片，图片改为名字记得对应的.txt文件中也要改哈，提供一个改名字的参考代码：https://pan.baidu.com/s/14zNf5BhsKa35SsRbQ6M1fg(在data目录下放着)(124行函数为改名字代码，输入参数为你的.txt文件路径，改完名字之后需要保存的图片目录，新生成的改名之后图片对应的label.txt文件，里面是改名后的图片对应的bbox坐标和标签类别)
改为名字后开始生成改完名字图片的ｘｍｌ文件，看第１２７行，１２７行是生成每个改名之后图片的voc格式的ｘｍｌ文件，输入参数为保存的改名后的图片目录，需要保存的ｘｍｌ文件的路径，刚刚改完名后的图片对应的.txt文件
注意：１，生成每个图片的voc格式的ｘｍｌ时参考１２７行代码，代码１２１行 node_folder.text = 'VOC_textarea'改成你的，随便前一个名字就行，我起的VOC_textarea，２，１７行有个width=1609, height=500，改成你图片的大小，我的图片同一个设备拍的，所以所有图片长宽一样，３，第４０行改成你的标签类别，比如我只有有个类别就是textarea,所有就是这个，如果你是多个检测目标，那么在３６－３７行之间根据c的值判断，这个值是多少，比如你的０代表aa,1代表bb,２代表cc,那么就把node_name.text ＝"aa"等．
２，将数据划分成训练和测试数据：参照上一篇博客下载编译caffe-ssd，我的caffe-ssd目录是/home/user/yjf/caffe,进入caffe目录，在
caffe/data/VOCdevkit目录下新建文件夹VOC_textarea，这个名字要和你刚刚生成xml文件时２１行的node_folder.text = 'VOC_textarea'名字一样．然后在该目录下在新建Annotations，ImageSets，JPEGImages三个目录．将之前改完名字后的图片放到JPEGImages目录下．将之前生成的xml文件放在Annotations目录下．
参照我上传的代码中的mian方法中的第三和第四步生成训练和测试文件．第三步生成训练数据其实就是把所有数据按比例分别写到txt文件中而已，如下所示：(注意生成的时候路径从刚刚新建的
VOC_textarea开始写)
VOC_textarea/JPEGImages/000000238.jpg VOC_textarea/Annotations/000000238.xml
VOC_textarea/JPEGImages/000000291.jpg VOC_textarea/Annotations/000000291.xml
生成的时候把我的代码放在data目录下执行，执行结束会在data目录生成test.txt,trainval.txt，注意不要改这个文件夹名字！然后在参照的代码中的第四步对所有test.txt文件中的图片生成一个对应的test_name_size.txt里面如下：
000000238 3968 2976
000000291 3968 2976
第一列为test.txt中图片的名字，第二列为图片高度，第三列为图片宽度，参照我的第四步代码写就行
３．生成lmdb数据：在caffe/data目录新建VOC_label，这个名字自己起，然后将刚刚生成的data目录下的test.txt，test_name_size.txt，trainval.txt拷贝到这个目录．并在这个目录在创建一个文件labelmap_voc.prototxt，命名不要改，就写这个名字．内容如下：
item {
name: "textarea"
label: 0
display_name: "textarea"
}
item {
name: "none_of_the_above"
label: 1
display_name: "background"
}
因为我只有一个检测目标，加上背景一共是２类，第二类是背景，如果你有多个类，就继续加，将背景类到最后一个就行，写的时候注意 name要和你生成ｘｍｌ时候４０行 node_name.text = 'textarea'指定的一样
然后将caffe/data/VOC0712/create_data.sh复制到caffe/data/VOC_label目录下．注释掉cur_dir，和root_dir，添加一个root_dir=/home/user/yjf/caffe，这是caffe-ssd目录，将里面的dataset_name改成VOC_label，然后修改caffe/scripts/create_annoset.py,在开始添加sys.path.insert(0,'/home/user/yjf/caffe/python')，最后在caffe目录执行./data/VOC_label/create_data.sh开始生成lmdb数据
过程如下：
生成lmdb数据
结束之后会在caffe/data/VOCdevkit/VOC_label目录生成lmdb文件夹，也即是训练数据．
４，模型训练：修改caffe/examples/ssd/ssd_pascal.py，其中的gpus='0,1,2,3' 该成gpus='0'和文件地址等等，我复制了一份这个文件为ssd_pascal_textarea.py到同目录，放在网盘，大家参考我的修改就好，注意num_classes = 2改成你的类别，我是一个类别加背景所以是２，background_label_id=1，因为我的背景是标号为１，所以写１(在data/VOC_label/labmap_voc.protxt查看你的背景是第几类)，还有其他修改，参考我的一步步改就行(包括图片大小，name_size_file， label_map_file等路径等等)．改完记得在caffe/models/VGGNet目录下存放预训练模型．参考上篇博客，最后python /examples/ssd/ssd_pascal_textarea.py就开始训练．
训练如下：
训练过程
训练过程如果出现loss为nan,则是学习率太大，降低学习率即可．
５，预测：生成的模型会自动在/home/user/yjf/caffe/models/VGGNet/VOC_label/SSD_384x521目录下，将/example/ssd/score_ssd_pascla.py复制一份，我复制为sccore_ssd_textarea.py，里面加入caffe目录，在最开始，在caffe目录执行
python examples/ssd/score_ssd_textarea.py即可对模型进行评价，不需要指定模型地址，程序会自己在生成模型的目录下找模型编号最大的一个．评价会输出一个值，参考上篇截图．值越大模型越好．
将/example/ssd/ssd_detect.pyf复制一份，我复制为ssd_detect_textarea.py然后加入caffe目录在开始，最后在caffe目录执行python examples/ssd/ssd_detect_textarea.py --gpu_id 0 --labelmap_file data/VOC_label/labelmap_voc.prototxt --image_file data/VOCdevkit/VOC_textarea/JPEGImages/000000220.jpg --model_def models/VGGNet/VOC_label/SSD_384x521/deploy.prototxt --model_weights models/VGGNet/VOC_label/SSD_384x521/VGG_VOC_label_SSD_384x521_iter_4500.caffemodel即可对输入图片预测，如下所示：
红色框为预测结果
红色框为预测结果
当然画的框比较细哈，当然换可以正在视频预测，把python examples/ssd/ssd_pascal_video.py，改下这个函数就行，我就不试了哈，这就是人工智能的意义。各位如果有实现过程有什么问题随时留言，很乐意帮助大家
如果大家喜欢或者有疑问欢迎关注留言，希望帮助大家一起学习AI