SSD模型配置（训练）与运行
参考博文：
1. * ssd模型配置及运行demo
2. * SSD: Signle Shot Detector 用于自然场景文字检测
3. SSD的配置安装与测试
4. * SSD: Single Shot MultiBox Detector检测单张图片
简介：
SSD基于Caffe框架实现，在Github上可以获得开源代码。SSD 是用来检测物体的，那么同样可以将 SSD 用来检测自然场景图像中的文字。
第一部分：安装SSD（caffe）
1、安装Git
终端输入：
sudo apt-get install git
2、安装SSD
在主文件下终端输入（即/home/***（您的服务器名字）这个目录）：
git clone https://github.com/weiliu89/caffe.git cd caffe git checkout ssd（出现“分支”则说明copy-check成功）
会在examples目录下出现ssd项目
第二部分：配置SSD（caffe）
终端输入：
cd /home/**（您服务器的名字）/caffe
cp Makefile.config.example Makefile.config
打开Makefile.config，开始修改，保存退出；或者从之前caffe项目复制其配置文件到这里。
终端输入：
cd /home/**（您服务器的名字）/caffe mkdir build cd build # 下面的命令都在build目录下执行 cmake ..（cmake和..中间又一个空格） make all -j16（"‐j16"是使用 CPU 的多核进行编译,可以极大地加速编译的速度） make pycaffe（编译pycaffe）
注：编译最新的caffe使用cudnn，其版本要求至少为v4，否则出错.[2017-02-21]
第三部分：下载数据文件
1、 预训练模型下载
下载地址：VGG_ILSVRC_16_layers_fc_reduced.caffemodel
在caffe/models文件夹下新建文件夹，命名为VGGNet，将刚刚下载下来的文件放入这个VGGNet文件夹当中
2、下载VOC2007和VOC2012数据集
在用户主目录下（即/home/**（您服务器的名字）/）新建data/目录
终端输入：
cd /home/**（您服务器的名字）/data wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
解压这三个文件，终端输入（请严格按照这个顺序解压）：
cd /home/**（您服务器的名字）/data tar -xvf VOCtrainval_11-May-2012.tar tar -xvf VOCtrainval_06-Nov-2007.tar tar -xvf VOCtest_06-Nov-2007.tar
第四部分：生成LMDB文件
终端输入：
cd /home/**（您服务器的名字）/caffe ./data/VOC0712/create_list.sh ./data/VOC0712/create_data.sh
在运行第三步时如果出现no module named caffe或者是no module named caffe-proto，则在终端输入：
export PYTHONPATH=$PYTHONPATH:/home/**（您服务器的名字）/caffe/Python
然后再次运行
第五部分：训练测试演示
1、 训练
打开caffe/examples/ssd/ssd_pascal.py这个文件，找到gpus='0,1,2,3'这一行，如果您的服务器有一块显卡，则将123删去，如果有两个显卡，则删去23，以此类推。
如果您服务器没有gpu支持，则注销以下几行，程序会以cpu形式训练。（这个是解决问题cudasuccess（10vs0）的方法）
#Ifnum_gpus >0:
# batch_size_per_device =int(math.ceil(float(batch_size) / num_gpus))
#iter_size =int(math.ceil(float(accum_batch_size) / (batch_size_per_device * num_gpus)))
# solver_mode =P.Solver.GPU
# device_id =int(gpulist[0])
保存后终端运行：
cd /home/**（您服务器的名字）/caffe python examples/ssd/ssd_pascal.py
如果出现问题cudasuccess（2vs0）则说明您的显卡计算量有限，则编辑文件 vim examples/ssd/ssd_pascal.py ，找到batch_size = 32这一行，修改数字32为16或8或4，保存后再次终端运行 python examples/ssd/ssd_pascal.py
注意，SSD模型训练过程中GPU显存需求略小于 8GB。这意味着4GB或6GB显存的GPU无法直接训练SSD[实验室配置为GT980，显存6GB，cudnn加速能力5]，可以通过减小batchsize来绕过这个问题。
wang@VisInt:~$ nvidia-smi
Tue Feb 21 17:30:36 2017
+------------------------------------------------------+
| NVIDIA-SMI 346.82 Driver Version: 346.82 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 980 Ti Off | 0000:02:00.0 N/A | N/A |
| 0% 37C P8 N/A / N/A | 48MiB / 6143MiB | N/A Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 C+G Not Supported |
+-----------------------------------------------------------------------------+
2、 测试
终端输入：
python examples/ssd/score_ssd_pascal.py
演示detection的训练结果，数值在0.728左右
3、 用训练好的 model 进行 predict
>>演示网络摄像头识别效果，终端输入：
python examples/ssd/ssd_pascal_webcam.py
要求机器上有摄像头，Linux服务器桌面环境下运行命令
>>检测图片：
jupyter notebook
打开 ~/caffe/examples/ssd_detect.ipynb
指定好 caffemodel
要求在Linux服务器桌面环境下运行命令