【SSD】用caffe-ssd框架MobileNet网络训练自己的数据集

前言#

上一篇博客写了用作者提供的 VGG 网络完整走完一遍流程后，马上开始尝试用 MobileNet 训练。

还有两个问题待解决：

1. 均值问题。【2017.11.20 解决此问题】

2. 无法用 MobileNet 提供的 caffemodel 做 finetune。【2017.11.3 解决此问题】

【2017.11.03 更新】成功转换成 ncnn 格式。

一、数据集收集、整理#

参考：【SSD】用 caffe-ssd 框架自带 VGG 网络训练自己的数据集

用的到的东西如图：

二、下载 MobileNet 相关文件#

chuanqi305/MobileNet-SSD

Caffe implementation of Google MobileNet SSD detection network, with pretrained weights on VOC0712 and mAP=0.727.

Python19791180

路径自己看着弄。

三、生成 train.prototxt、test.prototxt、deploy.prototxt#

这里哦，我需要提前说点事儿。

默认有一个 MobileNet_deploy.prototxt，没有 batch_norm 层。可以跟官网提供的 caffemodel 一起用。
template 里面有四个文件。两个 deploy，一个 train，一个 test。

经验证，train 和 test 跟一会我们自己生成的网络结构一致。

但我们不用 template 目录中的东西，因为后面几层 num_output 需要自己手动改。麻烦！

作者提供了两个工具用于生成 prototxt 文件。一个是 gen.py 一个是 gen_model.sh。

我倾向用后者，操作简单点。

运行命令：

sh gen_model.sh 7

后面接的数字是类别数 + 1。

生成的文件在 example 目录下。

这里有一点哦，如果你的数据集里面不完全是 RGB 三通道的。

那么你要修改 train.prototxt 和 test.prototxt 文件：

transform_param {
    scale: 0.007843
    force_color: true  ###添加
    mean_value: 127.5
    mean_value: 127.5
    mean_value: 127.5

具体报错内容可以看我上一篇博客【SSD】用 caffe-ssd 框架自带 VGG 网络训练自己的数据集
。

然后再分别修改文件中 source 和 label_map_file 的路径，尽量用绝对路径。

四、修改 solver.prototxt 文件#

我直接拿来 solver_train.prototxt 用的，路径改好，尽量用绝对路径。其他参数自己看着改吧。

这里说一下坑了半天的一个问题吧。

一开始为了排错，我习惯性设置 test_initialization 为 true。

然后就一直提示 Couldn't find ant detections。

但是训练阶段没问题的。

后来明白问题所在，因为我没有 finetune，所以一开始 val 阶段并不能检测到任何东西。

将 test_initialization 设置为 false 后，先训练一段时间后再 val，就不会提示找不到东西了。

五、训练脚本#

#!/bin/sh

/home/hans/caffe-ssd/build/tools/caffe train \
--solver="/home/hans/data/ImageNet/Detection/cup/MobileNet-SSD/doc/solver_train.prototxt \
-gpu 6 2>&1 | tee /home/hans/data/ImageNet/Detection/cup/MobileNet-SSD/MobileNet-SSD.log

根据下面 2017.11.03 更新的内容可以看出，训练结束后，要通过作者提供的工具将 bn 层和 conv 层参数 merge 到一起，以加快计算速度。

修改 merge_bn.py 中路径和文件名。

新生成的模型应该会比原始模型稍微小一点。

六、训练输出可视化（2017.11.02）#

参考：【SSD】用 caffe-ssd 框架自带 VGG 网络训练自己的数据集

七、测试模型效果（2017.11.03）#

参考：【SSD】用 caffe-ssd 框架自带 VGG 网络训练自己的数据集

后记#

为什么一用 pre_trained model 做 finetune 就报错！！！！！说 conv0 输入数量不对（1 vs.
2）。应该是 1，结果传入 2 个？？？我各种对比检查了 train.prototxt 和 test.prototxt 文件，然并卵！！！！

-------【2017.11.3 解决不能 finetune 的问题】-------

终于找到原因！

我把现在能做 finetune 的模型和 deploy 文件放出来。

https://pan.baidu.com/s/16dw-dJ779By9AWdiSOxSuQ

github 上作者放出两个 caffemodel，一个是训练时候的，这个模型 bn 层和 cnov 层参数是分开的。一个是 deploy 的，这个模型将 bn 层和 conv 层参数 merge 到一起了。

作者的原话是 merge 后的模型速度会快一点。

-------【2017.11.3 成功转换成 ncnn 格式】---------

https://github.com/arlose/ncnn-mobilenet-ssd

.param 文件建议就用上面作者提供的吧。如果是自己训练的数据的话，把类别数改一下就好了，一共要改八处。

自己转换过来的有两个问题，

一是缺少头两层 Input 和 Split，这个问题要修改 deploy.prototxt 文件开头为：

layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 3 dim: 300 dim: 300 } }
}

二是后面几层的处理像素变成了 600*600。

.bin 文件一定要用经过 merge.py 处理过的 caffemodel 转换！

-------【2017.11.16 更新】---------

晕了我之前一直在用 6 月刚发布的 ncnn，

这两天移植工作交给我才发现官方的 ncnn 已经加入 ssd 的支持。

并且还加入的模型压缩，虽然只是从计算位数上做的压缩，并且对效果会有折扣，但也是很实用的。

-------【2017.11.20 更新】---------

自带 make_mean.sh 并不能求均值，发现有两个转 lmdb 工具，一个带 annotation，一个不带。

ssd 用的带 annotation 工具中 detection 方法转换的。

我就用老方法求了均值，使用 build/tools/convert_imageset 和 build/tools/compute_iamge_mean

shell 脚本代码：

先把图片转换成普通 lmdb 格式

#!/bin/sh
set -e

size=300

TOOLS=/home/hans/caffe/build/tools
cur_dir=$(cd $( dirname ${BASH_SOURCE[0]} ) && pwd )

DATA_ROOT="${cur_dir}/data/"
FILE_PATH="${cur_dir}/doc"

echo "Creating train lmdb..."


GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$size \
    --resize_width=$size \
    --shuffle=false \
    $DATA_ROOT \
    $FILE_PATH/train.txt \
    $FILE_PATH/train_lmdb_mean

计算均值，并将输出保存到 mean.txt 中

#!/bin/sh

TOOLS=/home/hans/caffe/build/tools

$TOOLS/compute_image_mean doc/train_lmdb_mean doc/mean.binaryproto 2>&1 | tee doc/mean.txt

echo "Done."