用SSD框架训练自己的数据集

最新推荐文章于 2025-10-30 11:10:42 发布

原创

最新推荐文章于 2025-10-30 11:10:42 发布 · 1.2w 阅读

23 ·

CC 4.0 BY-SA版权

通过执行./data/mydatasetr/create_list_node.sh和./data/mydataset/create_data_nodesh脚本，成功将自定义数据集转换为LMDB格式，数据现已存放在$CAFFE_ROOT/indoor目录下。

 
 本文介绍如何使用SSD训练自己的数据集，内容包括数据集的转化，使用SSD进行训练 

 
 1、VOC数据集的介绍 

 
 VOC的数据格式： 

 
 (1)annotation中保存的是xml格式的label信息 

 
 (2)ImageSet目录中Main目录存放的是用于表示训练的图片集合 

 
 - train.txt 是用来训练的图片文件的文件名列表  

 
 - val.txt是用来验证的图片文件的文件名列表  

 
 - trianval.txt是用来训练和验证的图片文件的文件名列表  

 
 经过分析发现 

 
 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%， 

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

愿一直

关注关注

0
点赞
踩
23

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

ssd训练自己的数据集

reset2021的博客

07-12

6456

基于SSD实现目标检测（训练自己的数据集）

SSD-Pytorch训练和测试自己的数据集（新手必看）

最新发布

炼丹上岸

10-30

1785

GitHub的spec-kit项目是一个开源框架，旨在通过结构化工作流程解决当前AI辅助开发中的"氛围编程"问题。该项目将规范转变为贯穿开发周期的动态核心组件，包含四阶段流程：规范(specify)、计划(plan)、任务(tasks)和实现(implement)。其核心理念包括意图驱动开发、创建丰富规范、多步求精和利用先进AI能力。spec-kit特别适用于绿地开发、创造性探索和棕地开发三种场景，通过"章程"文件确立治理原则，确保AI生成内容符合项目标准。这个框架代

SSD Tensorflow 训练测试自己的数据集 Jupiter notebook 显示训练结果

Echo_Harrington的博客

07-20

7775

一份非常简单易懂的SSD tensorflow训练教程，初学者也可以看得懂。当初自学的时候走了很多弯路，所以把自己的经验和踩过的坑分享给大家，如果文中有什么写的不对的地方欢迎大家在评论区和我讨论。零、前期准备安装Tensorflow-GPU版本。一、SSD框架准备从https://github.com/balancap/SSD-Tensorflow 下载、解压。解压che...

SSD框架训练自己的数据集

a123333789的博客

08-17

833

SSD demo中详细介绍了如何在VOC数据集上使用SSD进行物体检测的训练和验证。本文介绍如何使用SSD实现对自己数据集的训练和验证过程，内容包括： 1 数据集的标注2 数据集的转换3 使用SSD如何训练4 使用SSD如何测试1 数据集的标注　　　数据的标注使用BBox-Label-Tool工具，该工具使用python实现，使用简单方便。修改后的工具支持多label的标签标注。该...

精选资源

数据集-从零开始学习SSD目标检测算法训练自己的数据集.pdf

02-09

根据提供的文档信息，我们可以深入探讨SSD（Single Shot MultiBox Detector）目标检测算法的核心概念及其在自定义数据集上的应用。 ### 一、SSD的知识思维脑图 #### 1.1 SSD出现的背景 SSD算法的提出，旨在解决...

MobileNet-SSD训练自己的数据集

Sunhansong的博客

07-11

1983

一、配置 ubuntu18.04 ，显卡驱动，cuda10.1，cudnn7.6.5 查看cuda版本: cat /usr/local/cuda/version.txt 查看cudnn版本： cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 二、安装配置Caffe-SSD-GPU annaconda下创建caffe环境 conda create -n caffe2 python=2.7 opencv安装：pip install ope

caffe-ssd训练自己的数据集，create_list/data.sh、trainval等txt文件生成脚本、训练脚本修改

08-08

caffe-ssd训练自己的数据集时需要修改create_list/data.sh文件，并且需要生成trainval等txt文件存放样本的文件名，以及最后训练脚本的修改，附件为以上操作所需要的文件

数据集-使用caffe SSD制作VOC07112 lmdb数据集.pdf

02-09

本文将详细介绍如何使用Caffe SSD框架来构建针对Pascal VOC 2007和2012数据集的LMDB（Lightning Memory-Mapped Database）数据格式。 #### 二、环境准备与配置 1. **安装Caffe SSD** 首先，需要从GitHub上克隆...

【mmDetection框架解读】入门篇二、训练自己的数据集

qq_38253797的博客

10-23

3343

一、准备自己的xml格式数据集 首先要准备一份xml配置的数据集，数据集打完标注文件如下： ImageSets中暂为空，再执行【划分训练集、验证集和测试集】，划分后如下图：再将xml格式数据集转为txt文件格式【数据集格式转换xml2txt】：整合成最终数据集： images是数据集的所有图片；labels是数据集的所有txt标签数据；train.txt是训练集的所有文件名； 数据集放在mm/datasets下， datasets与mmdetection-master代码同级：二、txt格

SSD训练自己的数据集（Pytorch），超详细版！！！！

qq_50773198的博客

11-13

2万+

近期开始学习SSD算法啦，从拿到代码的茫然到最后可以跑通自己的代码（本人基础薄弱），已经非常非常开心喽~这篇文章主要介绍一下我的修改过程，以及我训练过程中遇到的问题，可以给大家避避坑，也方便我以后自己使用。那接下来就开始吧~另，在训练中参考的文章标明出处，如有侵权，请联系我删除：【数据集制作】VOC2007格式数据集制作和处理教程(Faster-RCNN模型标准输入)_AI小杨的博客-优快云博客 SSD pytorch训练自己的数据集（windows+colab） | 码农家园SSD的pytorch实现训

利用SSD训练自己的数据集

weixin_42639897的博客

08-04

1614

利用SSD训练自己的数据集 1.下载源码https://github.com/lufficc/SSD 2.准备自己的数据集(train test json) 3.python train.py(涉及到的文件path_catlog.py将其中的coco数据的地址改成自己的，coco.py中的class_names，vgg_ssd512_coco_trainval35k.yaml中的num_classes,train,test的地址，max_iter,lr,lr_steps,gamma,batch_size)训

【四二学堂】-Python爬虫入门之一

weixin_39593940的博客

03-24

559

Python爬虫入门之一一、运行环境 1、系统：Win10 2、Python版本：python3.6.6 3、IDE：PyCharm 二、requests 库的安装 pip install requests 三、新建项目新建项目：zhaopingou，新建文件:index.py import requests #导入requests库 r=requests.get('http://w...

SSD训练自己数据集

qq_41613251的博客

05-14

995

SSD训练自己数据集 1.数据制作（1）首先准备img与txt文件夹（图像及标注的txt文件），txt文件夹下的文件均为txt文件，里边的内容为1 2 26 18 70样式，其中1为类别，（2，26）为左上点坐标，（18,70）为右下角坐标。目标检测标注工具初始生成的文件包括xml，xml2txt文件如下。 import os import re import json import shutil import numpy as np from PIL import Image from lxml imp

ssd训练自己数据集

weixin_38383877的博客

12-17

1788

1、用labelImg标数据 2、将数据转换为tfrecord 错误记录： NotFoundError：无法创建NewWriteableFile 解决方法：您需要在运行此脚本的运行环境文件夹中自己创建一个目录 1、前期准备工作第一步：先将SSD框架下载到本地，解压出来；SSD源码下载第二步：在解压出来的主目录下依次创建tfrecords_、train_model、VOC2007...

SSD训练自己的数据集voc

01-08

### 使用SSD框架训练自定义VOC格式的数据集 #### 准备工作为了使用SSD框架训练自定义的PASCAL VOC格式数据集，需先准备好环境并转换数据至适合模型输入的形式。确保已按照项目指南完成环境配置[^1]。对于特定于目标检测的任务，尤其是当采用类似于TensorFlow SSD实现时，通常需要将原始图片及其对应的标签转化为TFRecord文件形式以便高效读取与处理[^2]。 #### 数据预处理创建一个Shell脚本来自动化这一过程是非常有帮助的做法： ```bash #!/bin/bash # 定义变量指向源数据路径以及目标存储位置 DATASET_DIR=./VOC2007/ OUTPUT_DIR=./tfrecords_ # 执行Python脚本进行数据转化 python ./tf_convert_data.py \ --dataset_name=pascalvoc \ --dataset_dir=${DATASET_DIR} \ --output_name=voc_2007_train \ --output_dir=${OUTPUT_DIR} ``` 上述命令通过调用`tf_convert_data.py`工具来把标准的PASCAL VOC结构下的图像和XML标注文件打包成`.record`扩展名的二进制记录文件，这些文件可以直接被后续训练流程所利用。 #### 修改配置文件接下来要调整网络架构参数以适应新的类别数量和其他可能的变化。这涉及到编辑pipeline.config或其他类似的配置文档，在其中指定新生成的TFRecords的位置以及其他必要的超参设置。 #### 开始训练一切就绪之后就可以启动实际的训练进程了。一般情况下，可以通过简单的命令行指令来进行操作，比如： ```bash python train_ssd_network.py --train_dir=PATH_TO_TRAIN_DIR --pipeline_config_path=PATH_TO_CONFIG_FILE ``` 这里的`train_ssd_network.py`代表具体的训练入口程序名称；而两个必需选项分别指定了保存检查点的地方(`train_dir`)还有之前提到过的配置文件所在之处(`pipeline_config_path`)。 #### 验证效果最后一步是对得到的结果做评估，确认模型性能达到预期水平。可以借助内置的功能或是编写额外的小型应用程序来进行预测展示，从而直观地观察到识别精度等方面的信息变化情况[^4]。