SSD训练过程

最新推荐文章于 2025-06-24 20:49:06 发布
最新推荐文章于 2025-06-24 20:49:06 发布
阅读量9.1k 收藏 20
点赞数 2
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wizardna521/article/details/53463348
本文详细介绍了如何使用SSD模型训练自己的数据集，包括数据集的准备、训练数据集的生成、开始训练的步骤以及如何使用训练好的模型。通过修改配置文件和运行脚本，可以实现对特定数据集的物体检测训练。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

SSD 使用自己的数据集训练模型

SSD中预留了多种数据集的训练方式，可在caffe/data目录下看到这些数据集预处理的方式，这里使用VOC0712格式数据集

 

1、准备原始数据

检查原始数据集是否符合以下规范

 

dataset         （数据集目录）

  --Annotations

      ***.xml   （标注的物体信息文件）

  --Images

      ***.jpg    （图片集）

  --ImageSets              

      test.txt   （测试集） （保存格式为文件名，不带扩展名）

      train.txt   （训练集） （保存格式为文件名，不带扩展名）

  --results

      (null)       （留作保存结果）

 

2、生成训练数据集

1. 将VOC0712目录下的create_data.sh labelmap_voc.prototxt create_list.sh三个文件复制到数据集目录下，这几个文件可以根据自己的需要修改文件名。

2. 修改create_data.sh内容

root_dir=/home/sea/caffe  （指定SSD目录，最好用绝对路径）

data_root_dir="$HOME/caffe/data/Fruit4"   （指定原始数据集路径）

dataset_name="Fruit4"     &

最低0.47元/天 解锁文章

200万优质内容无限畅学
WizardUltra
关注
目标检测SSD算法训练过程通俗详解
jackzhang11的博客
04-28 4333
参考论文： http://static.googleusercontent.com/media/research.google.com/zh-CN//pubs/archive/44872.pdf 参考代码： https://github.com/amdegroot/ssd.pytorch SSD作为one-stage的目标检测算法，与Faster-RCNN这类的two-stage算法相比，可以在一...
SSD训练过程中出现问题总结
同学醒醒放学了
10-24 2866
    Check failed: 0 == bottom[0]->count() % explicit_count (0 vs. 60) bottom count (209472) must be divisible by the product of the specified dimensions (84)    这意味着test.prototxt内的mbox_conf_reshap...
ssd网络训练过程
02-26
本资源详细介绍了如何使用caffe工具训练ssd目标检测网络。
4.训练自己模型的SSD完整详细步骤.zip--深度学习文章4
06-04
--Tensorflow+SSD+Yolo（目标检测）文章4.训练自己模型的SSD完整详细步骤 该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子失效。
目标检测SSD教程之环境配置+训练模型Pytorch版
最新发布
笑脸惹桃花的博客
06-24 936
深度学习目标检测SSD算法基础教程之环境配置+训练模型
训练SSD
qq_34951080的博客
09-24 438
记录一下训练SSD过程中所遇到的问题。 1,下载Caffe git clone https://github.com/weiliu89/caffe.git cd caffe 2,编译Caffe 第一步： cp Makefile.config.example Makefile.config 这是复制原有配置文件，生成新的配置文件。 第二步： make -j8 make py make
一步一步带你训练自己的SSD检测算法_ssd训练自己的数据集
2401_84248479的博客
04-11 2746
为了做好运维面试路上的助攻手，特整理了上百道。
SSD训练步骤
weixin_41521196的博客
05-07 1109
1、将数据集和标签文件放到vocdevikt文件夹下的文件夹里（对应放入） Annotations和JPEGImages放.xml和原数据集图片，建立ImageSets文件夹里建立Main放四个空文档。 注意：标签文件和图片文件的名字一定要一样！！！ 尤其是.xml中的filename（文件名字），后缀也要一样！！！ 不然会报错： 2、将权重文件压缩包放到src文件夹下 3、在.json文件里改类名 smoke后应该是2 依次类推后面是3、4、5等 4、Train_ssd300.py里的crea
SSD训练自己数据--详细过程及问题总结-附件资源
03-05
SSD训练自己数据--详细过程及问题总结-附件资源
SSD训练数据集流程（学习记录）
hhb3329的博客
09-14 8748
SSD训练数据集流程（学习记录）
一步一步带你训练自己的SSD检测算法
WZZ18191171661的博客
02-16 7694
目录一、前言二、实现细节1、前提条件2、数据标注2.1 Labelme2.1.1 工具特点简介2.1.2 工具安装2.1.3 工具使用简介2.2 LabelImg2.2.1 工具安装2.2.2 工具使用简介3、标签预处理3.1 PASCAL VOC数据集格式详解3.2 构造新的PASCAL VOC数据集3.2 COCO数据集格式详解4、搭建SSD运行环境5、修改代码训练网络5.1 代码架构详解5....
SSD模型推理与训练流程
给时光以生命
10-14 2589
SSD框架： 1.在几个不同feature map的scales的每个位置上，用卷积的方式评估一些不同aspect ratios的默认框。 2.对每个默认框，预测box外形的偏移和全部类别的置信度。 3.在训练的时候，首先将gt-box和默认框匹配，匹配上的是正样本，其他的是负样本。 3.模型的loss是每个定位loss的和。（回归是Smooth L1，置信度是Softmax） 2.1 Model...
第二天 SSD训练（win10）
qq_32752467的博客
09-25 433
一：第一天的模型环境配置好了以后，需要下载数据集 1.使用WIDER FACE数据： http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/WiderFace_Results.html http://shuoyang1213.me/WIDERFACE/ 下载完是四个文件。但不是tf_record格式，所以需要转换。 这里需要先转换为Passcal VOC格式（通过一个脚本转换） 再转换成tf.record格式之前，需要设置一个配置文件。
SSD模型训练技巧
u013533037的博客
01-08 2405
1、训练参数调整 描述：训练参数对收敛速度以及最终精度有影响。 措施：了解每个参数的背后的数学意义，改变参数，进行对比实验。 2、数据集样本总量 描述：训练模型所使用的数据集样本量越多，效果越好。 措施：一边训练一边增加样本量，尤其是样本量相对较低的某一类。样本可以手工做，也可以找公开的数据集。 3、样本的类别 描述：对于样本类别的划分会对结果产生影响。 措施：减少样本种类。例如将长头发、短头发、...
caffe_ssd训练样本的简略流程
SisterL的博客
08-29 404
配置好的caffe和caffe_ssd环境。原始数据（我的是图片和注释文件）转换为的lmdb。ubuntu16.04。 在models下建立要训练的工程目录。其中包括：example和lmdb文件夹、demo_image.py，demo_vedio.py，labelmap_xx.prototxt, merge_bn.py, test.sh, solver_test.prototxt, solve...
模型训练-SSD模型
qq_69854365的博客
10-08 893
SSD（Single Shot MultiBox Detector）是一种用于目标检测的深度学习模型，它是一种快速、高效的检测算法，广泛应用于计算机视觉领域。SSD的主要特点是可以在单个前向传递中同时进行目标检测和定位，而无需额外的复杂步骤或多次前向传递。
训练自己的SSD模型
Joemt
06-09 1245
一、 下载模型： 二、 删除tfrecords_、train_model文件夹下所有文件 三、 准备数据集 1、将自己的图像拷贝到VOC2007\JPEGImages文件下，将标注的xml文件拷贝到VOC2007\Annotations文件下。 2、执行VOC2007文件下spilt.py，会在VOC2007\ImageSets\Main文件下生成4个txt文件。 3、修改datasets文件下的pascalvoc_common.py的26行标签内容 4、修改datasets文件下的pascalvoc_
SSD讲堂五(训练)_SSD_训练自己的数据集
计算机视觉
09-26 1371
    转载: https://blog.youkuaiyun.com/liuyan20062010/article/details/78905517 参考：ht
在ssd训练过程中FileNotFoundError: [Errno 2] No such file or directory: '08_mouse_bite_03_000'，但是有这个文件
03-29
<think>嗯，用户遇到了SSD训练时的FileNotFoundError，报错路径是Annotations/.xml，这说明image_id为空。根据引用里的分析，问题可能出在数据集的解析过程中，特别是image_id为空的情况。我需要检查数据集的标注文件是否正确，是否有空行或者多余的空格。 首先，用户应该检查VOC数据集的目录结构是否正确，特别是Annotations文件夹里是否有对应的XML文件。如果路径没问题，接下来要看加载image_id的部分。可能是在生成image_id列表时，比如从train.txt或val.txt中读取时，存在空行或者空格，导致image_id为空。这时候处理这些文本文件时，需要过滤掉空行，并去除两端的空白符。 另外，检查代码中解析数据集的步骤，比如在读取image_id时是否做了正确的处理。例如，在Python中读取每行后，应该用strip()来去除空白，并跳过长度为0的行。如果代码中没有这样的处理，就会导致image_id为空，拼接路径时就会变成Annotations/.xml，从而引发错误。 还可能是在生成train.txt等文件时，处理脚本存在bug，导致写入空行。用户需要检查生成这些列表的脚本，确保每行都是有效的image_id，没有多余的空行或空格。 此外，文件名的扩展名是否正确也很重要，比如是否遗漏了.xml或者.jpg，或者在代码中拼接路径时是否正确添加了扩展名。还有可能文件权限问题，导致无法访问某些文件，但根据错误信息，更可能的是路径拼接错误。 总结起来，解决步骤应该是：1.检查数据集目录结构；2.检查并清理train.txt中的空行；3.在代码中添加对image_id的验证和过滤；4.确保路径拼接正确。这样应该能解决FileNotFoundError的问题。</think>### SSD训练中FileNotFoundError的解决方法 #### 问题分析 错误信息`FileNotFoundError: .../Annotations/.xml`表明程序在尝试加载空文件名的XML标注文件。根据引用内容可知，这是由以下原因导致： 1. **空image_id**：数据集的`train.txt`或`val.txt`中存在空行或无效行，导致解析时生成空image_id[^1] 2. **路径拼接错误**：代码未正确处理文件路径，例如`image_id`为空时拼接路径会生成`Annotations/.xml` #### 解决步骤 1. **检查数据集目录结构** - 确认VOC格式数据集结构正确： ``` VOCdevkit/ └── VOC2020/ ├── Annotations/ # 存放XML标注文件 ├── JPEGImages/ # 存放原始图像 ├── ImageSets/ │ └── Main/ # 存放train.txt/val.txt ``` 2. **清理数据列表文件** - 检查`train.txt`/`val.txt`文件，删除空行和含空格的行 - 使用以下Python代码清洗列表文件： ```python with open("train.txt", "r+") as f: lines = [line.strip() for line in f if line.strip()] f.seek(0) f.write("\n".join(lines)) f.truncate() ``` 3. **修改数据集解析代码** - 在SSD的dataset加载代码中添加验证逻辑： ```python # 修改前 annotation_file = self.root / f"Annotations/{image_id}.xml" # 修改后 assert image_id, "Empty image_id detected!" # 添加空值检查 annotation_file = self.root / "Annotations" / f"{image_id}.xml" # 使用pathlib安全拼接 ``` 4. **验证文件存在性** - 在数据加载前添加文件存在性检查： ```python if not annotation_file.exists(): raise FileNotFoundError(f"Annotation file {annotation_file} missing") ``` #### 补充建议 - 使用`pathlib`模块代替字符串拼接处理路径 - 在数据预处理阶段添加完整性校验脚本 - 检查图像文件与标注文件的对应关系（1:1匹配）
评论 3
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