一、制作voc数据集
1、数据集文件夹
新建一个文件夹，用来存放整个数据集，或者和voc2007一样的名字：VOC2007
然后像voc2007一样，在文件夹里面新建如下文件夹：
2、将训练图片放到JPEGImages
将所有的训练图片放到该文件夹里，然后将图片重命名为VOC2007的“000005.jpg”形式
图片重命名的代码（c++，python，matlab），参考：http://blog.csdn.net/u011574296/article/details/72956446
3、标注图片，标注文件保存到Annotations
使用labelIImg 标注自己的图片
每个图片和标注得到的xml文件，JPEGImages文件夹里面的一个训练图片，对应Annotations里面的一个同名XML文件，一 一 对应，命名一致
标注自己的图片的时候，类别名称请用小写字母，比如汽车使用car，不要用Car
pascal.py中读取.xml文件的类别标签的代码：
cls = self._class_to_ind[obj.find('name').text.lower().strip()]
写的只识别小写字母，如果你的标签含有大写字母，可能会出现KeyError的错误。
4、ImageSetsMain里的四个txt文件
在ImageSets里再新建文件夹，命名为Main，在Main文件夹中生成四个txt文件，即：
test.txt是测试集
train.txt是训练集
val.txt是验证集
trainval.txt是训练和验证集
VOC2007中，trainval大概是整个数据集的50%，test也大概是整个数据集的50%；train大概是trainval的50%，val大概是trainval的50%。
txt文件中的内容为样本图片的名字（不带后缀），格式如下：
根据已生成的xml，制作VOC2007数据集中的trainval.txt ； train.txt ； test.txt ； val.txt
trainval占总数据集的50%，test占总数据集的50%；train占trainval的50%，val占trainval的50%；
上面所占百分比可根据自己的数据集修改，如果数据集比较少，test和val可少一些
二、实现
1、修改datasets文件夹中pascalvoc_common.py文件，将训练类修改别成自己的
2、将图像数据转换为tfrecods格式，修改datasets文件夹中的pascalvoc_to_tfrecords.py文件，然后更改文件的83行读取方式为’rb‘，如果你的文件不是.jpg格式，也可以修改图片的类型。
此外， 修改67行，可以修改几张图片转为一个tfrecords
3、运行tf_convert_data.py文件，但是需要传给它一些参数：
linux：
在SSD-Tensorflow-master文件夹下创建tf_conver_data.sh,文件写入内容如下：
windows+pycharm：
配置pycharm-->run-->Edit Configuration
遇见的问题：
其他py文件import datasets文件时导入不了模块，导致读取不了，解决方法：设为source root
然后运行tf_convert_data.py
4、训练模型train_ssd_network.py文件中修改
train_ssd_network.py文件中网络参数配置，若需要改，在此文件中进行修改，如：
其他需要修改的地方
5、nets/ssd_vgg_300.py ，(因为使用此网络结构) ，修改96 和97行的类别
6、train_ssd_network.py
修改类别为2
7、 eval_ssd_network.py
8、datasets/pascalvoc_2007.py 根据自己的训练数据修改整个文件
SSD-Tensorflow-master/datasets/pascalvoc_2007.py文件中，none类不要动，其他类修改为自己数据集的类，其中括号内的第一个数为图片数，第二个数为目标数（bounding box的数目，total是所有类的总和）
# (Images, Objects) statistics on every class. # 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
TRAIN_STATISTICS = {
'none': (0, 0),
'flower': (40, 40),
'total': (40, 40),
}
TEST_STATISTICS = {
'none': (0, 0),
'flower': (10, 10),
'total': (10, 10)
}
SPLITS_TO_SIZES = {
'train': 40,
'test': 10,
}
SPLITS_TO_STATISTICS = {
'train': TRAIN_STATISTICS,
'test': TEST_STATISTICS,
}
NUM_CLASSES = 1 #不用加一
按照之前的方式，同样，如果你是linux用户，你可以新建一个.sh文件，文件里写入
DATASET_DIR=./tfrecords_/ TRAIN_DIR=./train_model/ CHECKPOINT_PATH=./checkpoints/vgg_16.ckpt python3 ./train_ssd_network.py --train_dir=./train_model/ #训练生成模型的存放路径 --dataset_dir=./tfrecords_/ #数据存放路径 --dataset_name=pascalvoc_2007 #数据名的前缀 --dataset_split_name=train --model_name=ssd_300_vgg #加载的模型的名字 --checkpoint_path=./checkpoints/vgg_16.ckpt #所加载模型的路径 --checkpoint_model_scope=vgg_16 #所加载模型里面的作用域名 --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保存一下日志 --save_interval_secs=600 #每600s保存一下模型 --weight_decay=0.0005 #正则化的权值衰减的系数 --optimizer=adam #选取的最优化函数 --learning_rate=0.001 #学习率 --learning_rate_decay_factor=0.94 #学习率的衰减因子 --batch_size=24 --gpu_memory_fraction=0.9 #指定占用gpu内存的百分比
如果你是windows+pycharm中运行，除了在上述的run中Edit Configuration配置，你还可以打开Terminal，在这里运行代码，输入即可
python ./train_ssd_network.py --train_dir=./train_model/ --dataset_dir=./tfrecords_/ --dataset_name=pascalvoc_2007 --dataset_split_name=train --model_name=ssd_300_vgg --checkpoint_path=./checkpoints/vgg_16.ckpt --checkpoint_model_scope=vgg_16 --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 --save_interval_secs=600 --weight_decay=0.0005 --optimizer=adam --learning_rate=0.001 --learning_rate_decay_factor=0.94 --batch_size=24 --gpu_memory_fraction=0.9