1. 下載源碼
git clone https://github.com/chuanqi305/MobileNetv2-SSDLite
2.從 tensorflow 下載 MobileNetv2-SSDLite 的 tensorflow 模型到 ssdlite/ 路徑,並解壓。
cd MobileNetv2-SSDLite/ssdlite/
wget http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
tar -zvxf ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
3. 轉換 tensorflow 模型到 caffe(默認生成的是 coco 數據集的 caffemodel )
####讀取tf的pb模型,生成中間文件.dat在output
python dump_tensorflow_weights.py
####修改load_caffe_weight.py 中 caffe_root 爲自己的路徑,讀取coco 的deploy.prototxt,生成coco 的deploy.caffemodel
python load_caffe_weight.py
如果需要轉換成 voc 模型,20 個類別
python demo_caffe_voc.py
當然也可一改成自己數據集的 caffemodel,需要改 coco2voc.py 腳本,並執行!!!(未成功)
4. 訓練自己的數據集
4-1: 製作數據(前一篇博客)
4-2: 修改 label 文件,在 MobileNetv2-SSDLite/ssdlite/voc/ 目錄下 **labelmap_voc.prototxt,修改成自己的類別,例如有兩類hand,注意要加 background,加上背景總共兩類
4-3:生成自己類別的prototxt文件
在 MobileNetv2-SSDLite/ssdlite/ 目錄下的 gen_model.py 生成 caffe 訓練測試時用的 prototxt 文件,注意 CLASS_NUM = 類別數 + 1,–tfpad,是爲了消除識別時可能出現 bounding box 的偏差,–relu6,是爲了將 ReLU 替換成 ReLU6, 同樣的 修改 caffe_root 爲自己的路徑。
python gen_model.py -s train -c CLASS_NUM --tfpad --relu6 >train.prototxt
python gen_model.py -s test -c CLASS_NUM --tfpad --relu6 >test.prototxt
python gen_model.py -s deploy -c CLASS_NUM --tfpad --relu6 >deploy.prototxt
4-4:修改train.prototxt(修改爲自己的路徑):
source: "trainval_lmdb"
label_map_file: "labelmap.prototxt"
batch_size: 64
5. 將上一步生成的文件放到ssdlite/voc下,並修改solver_train.prototxt
net: "train.prototxt"
6. 開始訓練
修改MobileNetv2-SSDLite/ssdlite/voc/train.sh
#!/bin/sh
mkdir -p snapshot
/home/alpha/ssd/build/tools/caffe train \
-solver="/home/alpha/MobileNetv2-SSDLite/ssdlite/voc/solver_train.prototxt" \
-weights="/home/alpha/MobileNetv2-SSDLite/ssdlite/deploy_voc.caffemodel" \
-gpu 0
分別修改爲自己的caffe路徑,solver_train.prototxt路徑和deploy_voc.caffemodel路徑(我訓練自己的數據集,用不了deploy_voc.caffemodel進行預訓練)