SSD人脸检测安装：SSD训练自己的数据集

最新推荐文章于 2025-04-27 13:36:55 发布
转载 最新推荐文章于 2025-04-27 13:36:55 发布
· 1.8k 阅读 · 2







第一部分 SSD安装

系统：ubuntu 14.04 
语言：python 
ssd项目主页：https://github.com/weiliu89/caffe/tree/ssd 
首先，我们把项目代码clone下来, 然后编译：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        git 
        
        clone https:
        
        //github.com/weiliu89/caffe.git
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd caffe
       
       
    
      
      
  3. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        git checkout ssd

接下来，我们开始编译caffe,编译caffe非常容易，此篇讲的是caffe + cpu + ubuntu14.04的安装， GPU版安装需修改Makefile.config文件， 修改完成后：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        make 
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        make py

到这里我们就完成了SSD的安装，接下来我们讲一下如何训练自己的数据集。

第二部分 训练自己的数据集

首先我们不妨先跑一下项目的demo, 需要下载数据集，提前训练好的数据集等。 
下载预训练的模型，链接：https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6，下载完成后保存在：

caffe/models/VGGNet/

下载VOC2007和VOC2012数据集， 放在/data目录下：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd data
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        wget 
        
        http:/
        
        /host
        
        .robots
        
        .ox
        
        .ac
        
        .uk
        
        /pascal
        
        /VOC/voc2012/VOCtrainval_11-May-
        
        2012.tar
       
       
    
      
      
  3. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        wget 
        
        http:/
        
        /host
        
        .robots
        
        .ox
        
        .ac
        
        .uk
        
        /pascal
        
        /VOC/voc2007/VOCtrainval_06-Nov-
        
        2007.tar
       
       
    
      
      
  4. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        wget 
        
        http:/
        
        /host
        
        .robots
        
        .ox
        
        .ac
        
        .uk
        
        /pascal
        
        /VOC/voc2007/VOCtest_06-Nov-
        
        2007.tar
       
       
    
      
      
  5. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
     
       
       
    
      
      
  6. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        tar -xvf VOCtrainval_11-May-
        
        2012.tar
       
       
    
      
      
  7. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        tar -xvf VOCtrainval_06-Nov-
        
        2007.tar
       
       
    
      
      
  8. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        tar -xvf VOCtest_06-Nov-
        
        2007.tar

创建lmdb格式的数据：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd caffe
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        ./
        
        data/VOC0712/create_list.sh
       
       
    
      
      
  3. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        # It will create lmdb files for trainval and test with encoded original image:
       
       
    
      
      
  4. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        # - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_trainval_lmdb</span></span></div></div></li><li><div class="hljs-ln-numbers"><div class="hljs-ln-line hljs-ln-n" data-line-number="5"></div></div><div class="hljs-ln-code"><div class="hljs-ln-line"><span class="hljs-preprocessor" style="color:rgb(68,68,68);"><span class="hljs-comment"># - $HOME/data/VOCdevkit/VOC0712/lmdb/VOC0712_test_lmdb
       
       
    
      
      
  5. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        ./
        
        data/VOC0712/create_data.sh

训练和测试：

python examples/ssd/ssd_pascal.py

论文中，作者已经预训练好模型，下载链接：http://www.cs.unc.edu/%7Ewliu/projects/SSD/models_VGGNet_VOC0712_SSD_300x300.tar.gz，我们不必自己再去训练, 下载完成后放入指定的文件夹下。 
测试时，我们使用/example/ssd/目录里的ssd_detect.ipynb，运行这个文件，需要安装ipython及ipython-notebook, 或者直接把里面的代码拷贝出来，写到一个新的python文件里，比如命名ssd_detector.py.

OK， 下面修改一系列文件来训练自己的数据集 
两种方案， 第一：保持原来的文件目录结构及文件名不变， 只替换里面的数据。第二：重新新建一个与之前类似的目录结构，改成自己命名的文件夹，第二种方法，有一定的风险性，需要修改程序里涉及数据路径的代码。在之前讲解的faster-rcnnan那篇博客中， 我们采用第一种方案。本次我们采用第二种方案。 
在/data目录下创建一个自己的文件夹：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd /
        
        data
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir mydataset

把/data/VOC0712目录下的create_list.sh 、create_data.sh、labelmap_voc.prototxt 这三个文件拷贝到/mydataset下：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cp 
        
        data/create* ./mydataset
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cp 
        
        data/label* ./mydataset

labelmap_voc.prototxt, 此文件定义label。

在/data/VOCdevkit目录下创建mydataset, 并放入自己的数据集:


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd data/VOCdevkit
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir
        
         mydataset
       
       
    
      
      
  3. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd mydataset
       
       
    
      
      
  4. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir Annotations
       
       
    
      
      
  5. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir ImageSets
       
       
    
      
      
  6. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir JPEGImages
        
        
       
       
    
      
      
  7. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd ImageSets
       
       
    
      
      
  8. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir Layout
       
       
    
      
      
  9. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir Main
       
       
    
      
      
  10. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        mkdir Segmentation

其中Annotations中存放一些列XML文件，包含object的bbox，name等； 
ImageSets中三个子目录下均存放train.txt, val.txt, trainval.txt, test.txt这几个文件，文件内容为图片的文件名（不带后缀）； 
JPEGImages存放所有的图片；

在/examples下创建mydataset文件夹：

mkdir mydataset

文件夹内存放生成的lmdb文件。

第一步: 首先把widerface的数据集转化为VOC的格式；

第二步：然后把widerface生成了train.txt和test.txt,之后把相应的文件夹copy到VOC2007，修改相应的Python文件

第三步：开始生成LMDB数据集，调节SSD的学习率，就可以正常的训练检测器。

上述文件夹创建好后， 开始生成lmdb文件, 在创建之前需要修改相关路径：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        ./
        
        data/mydataset/create_list.sh
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        ./
        
        data/mydataset/create_data.sh

此时，在examples/mydataset/文件夹下可以看到两个子文件夹, mydataset_trainval_lmdb, mydataset_test_lmdb；里面均包含data.dmb和lock.dmb;

到此为止,我们的数据集就做好了。接下来就开始训练了。训练程序为/examples/ssd/ssd_pascal.py，运行之前，我们需要修改相关路径代码：


    
    
  1. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        cd /examples/ssd
       
       
    
      
      
  2. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        vim sd_pascal.py， 修改如下：
       
       
    
      
      
  3. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        57行： train_data路径；
       
       
    
      
      
  4. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        59行：test_data路径；
       
       
    
      
      
  5. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        197-
        
        203行：save_dir、snapshot_dir、job_dir、output_result_dir路径；
       
       
    
      
      
  6. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        216-
        
        220行： name_size_file、label_map_file路径；
       
       
    
      
      
  7. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        223行：num_classes 修改为
        
        1 + 类别数
       
       
    
      
      
  8. 
      
      
    
       
       
    
      
      
    
      
      
    
       
       
    
        
        315行：num_test_image：测试集图片数目

修改测试图片的个数，和真实的测试图片的个数一样，修改了学习率

另外， 如果你只有一个GPU, 需要修改285行： 
gpus=”0,1,2,3” ===> 改为”0” 
否则，训练的时候会出错。 
修改完后运行

python ./examples/ssd/ssd_pascal.py

训练完， 修改ssd_detector.py中模型路径， 任意找一张图片识别，看看效果怎么样



训练自己的数据--基于ssd_mobilenet模型实现目标检测
zhouguangfei0717的博客
08-15 5475
训练数据（在我下载中，大家可以自行下载） 最近在做反光检测的时候，使用vGG的时候效果可以，但是c++没有调起来，所以使用SSD-mobilenet来训练。 我的系统win10;python3.6 1. 在GitHub上下载所需的models文件，地址：https://github.com/tensorflow/models(这是tensorflow提供训练好的model) 2. 安装p...
使用SSD人脸检测
梨子社区
11-09 859
【代码】使用SSD人脸检测。
SSD-Pytorch训练自己的数据集
最新发布
weixin_67856277的博客
04-27 1186
在115行，N = num_pos.data.sum()的后面加上.double,继续在下面添加。在204行， 修改第n次迭代保存一次权重文件，将5000改为500，更改权重名称（随意）num_classes类的个数改为自己设定的+1（自己的类别数＋背景类别）将train文件中所有的nn.init.xavier_uniform。在28行处，修改VOC_ROOT，为存放自己数据集的路径。更改为nn.init.xavier_uniform_在20行处，修改VOC_CLASSES为自己的类别。
SSD人脸检测以及FDDB检测结果分析
常思考->有目标->重实践->善反思
08-26 5452
前段时间使用caffe版本的SSD训练人脸检测，效果还不错，在FDDB上测试了下结果最终只有89%的准确率，但是误判率很低，结果如下： 为了分析训练的SSD在FDDB上对于哪些类型的人脸检测结果较差，结果如下:蓝色的椭圆为FDDB的原始标注，红色的矩形为现有的SSD检测结果。 可以看到： 很模糊的脸没有检测到 还有些基本上算不上脸 极少数是人脸的确实没有检测到 发现FDDB中不...
【人脸识别】ssd + opencv Eigenfaces 和 LBPH算法进行人脸监测和识别
weixin_40293999的博客
03-10 2029
其实不一定使用ssd，fasterRcnn， yolov 都可以~所以假设我们已经实现了这个监测模型。那么我们直接进入识别环境。
人脸检测(SSD模型)
雪剑封心
11-06 2227
使用opencv 加载训练好的SSD模型。
tensorflow-face-detection：基于mobilenet SSD的面部检测器，由tensorflow对象检测api驱动，由WIDERFACE数据集训练
02-06
提供基于Mobilenet SSD（单发多盒检测器）的人脸检测器并提供预训练模型，由tensorflow，由训练。 产品特点 速度，在nvidia GTX1080 GPU上运行60fps。 内存，单次推理所需的GPU内存少于364Mb。 健壮，适应不同的...
基于 resnet_ssd深度学习人脸检测模型.zip
02-19
- 数据预处理：收集并标注人脸图像数据集。 - 模型训练：使用ResNet-SSD结构训练深度学习模型，可能需要对原始ResNet进行调整以适应SSD架构。 - 集成OpenCV：将训练好的模型集成到OpenCV中，用于实时人脸检测。 - ...
Pytorch人脸检测训练代码 RetinaFace 使用widerface数据集 包含已训练模型
08-07
# Pytorch人脸检测训练代码 RetinaFace 使用widerface数据集 包含已训练模型 1. 人脸检测SOTA算法RetinaFace模型代码实现； 2. 包含训练集网盘下载链接，在./data/widerface/download文件中复制链接下载并解压到./...
基于SSD算法的人脸目标检测的研究.pdf
05-11
7. FDDB数据集：FDDB数据集是一种公共的人脸数据集，包含了大量的人脸图像，用于人脸目标检测的训练和评估。 8. MXnet：MXnet是一种深度学习框架，提供了许多深度学习算法和工具，用于实现人脸目标检测等任务。
【SSD目标检测】3：训练自己的数据集
热门推荐
zzZ_CMing的博客
07-20 6万+
SSD训练自己的数据集
OpenCV实现的SSD人脸检测器,DNN的人脸检测，Caffe, tensorflow模型文件
10-24
opencv实现的SSD人脸检测器，实现DNN的人脸检测，需要先下载模型文件，在OpenCV的\sources\samples\dnn\face_detector目录下，有一个download_weights.py脚本下载的模型文件，打包好了
在ssd中显示map tensorflow代码_实践 | FaceAPI实现人脸识别（附源代码）
weixin_39572972的博客
11-23 263
计算机视觉研究院长按扫描维码关注EDC.CV计算机视觉研究院专栏作者：Edison_G参考face-api.jshttps://github.com/justadudewhohacks/face-api.js#face-api.js-for-the-browse关注并星标从此不迷路计算机视觉研究院功能　　第一阶段实现对图片中人脸的识别并打上标签(比如：人名)　　第二阶段使用摄像头实现对...
SSD+LBP实现人脸识别
sinat_33909696的博客
08-08 1505
#include<opencv2/opencv.hpp> #include <iostream> #include<opencv2/face.hpp> #include<opencv2/dnn.hpp> #include <string> #include<io.h> #include <fstream> using namespace std; using namespace cv; using namespace cv
facenet训练自己的数据_基于SSD与Facenet的人脸识别
weixin_29164081的博客
12-28 852
小方哥-AI人工智能模式识别算法系统介绍 随着深度学习的日益发展，人脸识别的技术越来越趋于成熟。基于人脸识别的也伴随着众多的应用，比如说基于人脸识别的工厂打卡或者签到系统；基于人脸识别的五官定位以及美颜相机，智慧医疗方面的基于人脸识别的脸部去痘等皮肤的健康质量检测等等。开发一个具体的应用，要么使用百度，或者虹软等大厂提供的离线SDK或者在线的云识别,需要购买license以及每年要重新认...
Ubuntu16.4下tensorflow+SSD人脸检测 环境搭建（二）
欢迎来到我的博客空间！
11-22 455
Ubuntu16.4下tensorflow+SSD人脸检测 环境搭建前言一、下载并放置model1.下载：http://github.com/tensorflow/model.git2. 放置model1.查看环境所在位置2.进入该环境二、配置model注意1：此时进入环境1.打开安装手册2.安装1）安装tensorflow2）安装依赖包3)下载编译 COCO API下载编译4）protoc下载编译报错5）添加变量 注意2：在Anaconda特定环境下pip=pip3验证6）测试报错1 numpy版本低报错
基于SSD目标检测模型的人脸口罩识别
进阶中的小白
05-04 3671
最近学习了SSD算法，了解了其基本的实现思路，并通过SSD模型训练了自己的检测模型。 基本环境 torch1.2.0 Pillow8.2.0 torchvision0.4.0 CUDA版本可查看自己电脑，这里使用CUDA10.0 visual studio 2019 scipy1.2.1 numpy1.17.0 matplotlib3.1.2 opencv_python4.1.2.30 tqdm4.60.0 h5py2.10.0 安装 建议创建一个虚拟环境，本文使用到的是在Pycharm环境下 打开pyto
目标检测keras-ssd之训练自己数据
爆炒小肥牛
03-01 3108
目标检测keras-ssd之训练自己数据数据集准备生成text文本修改train.py目标识别结果 昨天说到tensorflow-ssd的实现，在此基础上训练自己模型，无奈知识水平有限，只好转战keras版本，感谢大佬Bubbliiiing的博客和b站内容，受益匪浅，成功完成了自己数据集的训练。 处理方式基本都是一样的，跟前面写过的yolov3的处理基本一样。 SSD的主干网络是VGG，我在前面...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值