SSD300探测自己的数据集最终记录

1、制作VOC2007格式的数据集
1）将图片数据重命名，命名为数字，
1-383，501-699，800-1076
2）进行标注
利用标注软件labelImg进行标注，Win10上无需安装，直接运行。
自动将标注文件保存到一个文件下，文件名与图片名字默认是一一对应的，标注完成后进行检查，我标注完成的xml文件，Width和Height值都为0，需要统一修改。

修改代码：xml_modify.py，，
注意：上面地址需要改变 path = "E:\\pengpeng\\VOC2007\\Annotations\\"

3)将数据放置成3个文件夹。
VOC2007文件夹下包含3个文件夹：JPEGImages；Annotations；ImageSets；

JPEGImages下放置图片数据；
Annotations下放置xml标注数据；
ImageSets下是Main文件夹，Main文件夹下有4个txt文件；这4个txt文件需要代码自动生成；运行txtcheng.py,自动生成。

注意：xmlfilepath = 'E:\\pengpeng\\VOC2007\\Annotations'
txtsavepath = 'E:\\pengpeng\\\\VOC2007\\ImageSets\\Main'
这两个需要修改成自己的地址。

4）就此，数据集就制作好了

2、训练模型：

运行train.py 在pycharm中设置参数：--dataset_root E:\pengpeng

注意：在运行前，将之前运行的缓存文件都清空。

然后等待运行结果，运行结果自动保存在weights文件夹下。

3、模型精度：
运行eval.py文件：得到算法的总的精度

AP for feng = 0.0610
Mean AP = 0.7749

在pycharm中设置参数 --trained_model  ，默认是default='weights/ssd300_xxxx.pth'

4、运行test.py，得到每张图中框的具体细节，写入到一个eval/test1.txt文档中。

5、展示图片检测的效果

进入到demo文件夹下，
修改net.load_weights('../weights/ssd300_fengyxf_64800.pth')
将其修改为最新的训练模型

并且将要测试的新图片放到demo文件夹下的testfile文件下，

运行yxfyxftest.py:得到测试集每张图片探测的具体细节，图片显现，第一张原图显示，第二张是检测的带框图片显示，同时将探测的结果图保存在当前的ouput文件夹中。

并且打印：检测到有缝的图片信息；

例如：
Image name: 164.jpg
PREDICTIONS:  Feng number: 1; label: feng score: tensor(0.7311)

如果出现只打印，不显示图片的情况：设置左上角的File下拉菜单的Setting按钮的，将show plots in tool windows的前面的框去掉即可。

 

 

增加：2019.8.14

1\如果在有汉字的文件夹下标记图片文件，在修改xml文件时，需要将path的路径值改为英文，不能有中文，否则在修改后的xml文件直接报错。

2、在整理好数据集后，

记得修改3个文件

ssd.py中的分类的数目。

data文件夹下的voc0712.py的标签名字和config.py的分类的数目.

以及train.py保存的模型的名称

才能开始训练train.py