caffe+ubuntu+MobileNet-SSD训练UAV数据集_zxmyoung的博客

利用MobileNetSSD进行训练

由于VOC数据集是21类（加上背景），而这里只有7类（加上背景），因此，我们需要重新生成训练、测试和运行网络文件，这里就要用到gen_model.sh脚本，它会调用 template 文件夹中的模板，按照我们指定的参数，生成所需的训练网络模型。这个脚本的用法usage: CLASSNUM 对应label的个数 + backgroud =7

./gen_model.sh CLASSNUM

执行之后，得到examples文件夹，里面的3个prototxt就是从模板生成的正式网络定义，根据作者设置，其中的deploy文件是已经合并过bn层的，需要后面配套使用。

将在 example 中生成的 MyDataSet 文件里面的两个数据集超链接全部复制到 MobileNetSSD 中去，并且将名字改成如下图所示的名称。

修改超参数、指定预训练模型，开始model训练
按照自身要求修改solver_test.prototxt和solver_train.prototxt中的超参数；（新手可以不动）

其中test_iter=测试集图片数量（869）/batchsize；初始学习率不宜太高，否则基础权重破坏比较严重；优化算法是RMSProp，可能对收敛有好处，不要改成SGD，也是为了保护权重。

然后，修改预训练模型为：

开始训练了：

在/home/zhai/experiment/caffe-ssd-master/caffe/examples/MobileNet-SSD-UAV下修改并运行train.sh脚本，中途可以不断调节参数。训练结束后，运行test.sh脚本，测试网络的精度值。

sh train.sh

待补充。。。。。

首先说下环境：ubuntu16.04，cuda9，cudnn7.5，python2.7.12，opencv2.14caffe框架数据集已经转好为IMDB格式利用MobileNetSSD进行训练由于VOC数据集是21类（加上背景），而这里只有7类（加上背景），因此，我们需要重新生成训练、测试和运行网络文件，这里就要用到gen_model.sh脚本，它会调用template文件夹中的模板，按照我们指定的参数，生成所需的训练网络模型。这个脚本的用法usage: CLASSNUM 对应labe... Abstract 背景：随着多模态传感器的普及，可见光-热成像（RGB-T）目标跟踪将在温度信息的指导下实现稳健的性能和更广泛的应用场景。科学问题：然而，缺乏成对的训练数据是当前RGB-T追踪的主要瓶颈。因为收集高质量的RGB-T序列是非常耗时费力的，最近的benchmarks仅提供了测试序列。构建了一个可见光-热成像 UAV 跟踪大规模 数据集 （VT UAV ），包含500 个序列具有 170 万个高分辨率（1920*1080 像素）帧对。 VT UAV 数据集 考虑. sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev \ libopencv-dev libhdf5-serial-dev protobuf-compiler \ libgflags-dev libgoogle-glog-dev liblmdb-dev libboost-all-dev 3. 下载 caffe - ssd -gpu源码并编译：从Github上下载 caffe - ssd -gpu的源码，按照官方文档指引进行编译。编译时需要指定编译选项为GPU模式。 4. 运行测试：安装完成后，运行测试脚本，确保安装配置成功。以上为简要步骤，具体操作请参考对应文档和官方指引。 ### 回答2： Ubuntu 18.04是目前比较常见的Linux操作系统之一，而 CAFFE - SSD -GPU是深度学习的一个工具。下面是安装 caffe - ssd -gpu的步骤： 1. 安装CUDA和cuDNN 首先，您需要安装CUDA和cuDNN，这是运行深度学习框架所需的必备组件。下载安装CUDA和cuDNN之前，您需要查看您的图形卡的型号，以便选择正确的CUDA版本和cuDNN版本。在下载和安装CUDA和cuDNN之前，您需要在NVIDIA的开发者网站上注册自己，并下载适用于您机器的CUDA和cuDNN版本。此外，您还需要在命令行界面中设置以下环境变量： export PATH=/usr/local/cuda-8.0/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH 2. 安装依赖项在安装 caffe 之前，需要安装一些依赖项。您可以使用以下命令将这些依赖项安装到您的 Ubuntu 系统上： sudo apt-get update sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev protobuf-compiler gfortran libjpeg62 libfreeimage-dev libatlas-base-dev git python-dev python-pip libgoogle-glog-dev libbz2-dev libxml2-dev libxslt-dev libffi-dev libssl-dev libgflags-dev liblmdb-dev python-yaml python-numpy python-scipy 3. 下载和安装 CAFFE 现在，您需要在您的系统上下载和安装 CAFFE 。从github上获取 caffe source代码并进行安装： git clone https://github.com/weiliu89/ caffe .git cd caffe git checkout ssd 4. 编译和安装 CAFFE 使用以下命令编译和安装 caffe ： cp Makefile.config.example Makefile.config make all -j $(($(nproc) + 1)) make py caffe 执行该命令后，您需要等待一段时间才能完成 CAFFE 的编译。如果出现任何编译错误，请检查您的CUDA和cuDNN版本是否正确，并重新安装依赖项。 5. 使用 CAFFE - SSD -GPU 现在，您已经成功地在 Ubuntu 18.04操作系统上安装并编译了 CAFFE - SSD -GPU，您可以开始使用该工具来执行深度学习任务了。安装 CAFFE - SSD -GPU需要充分理解linux的命令行操作。需要先确认CUDA和cuDNN已经安装，并正确设置环境变量。然后需要下载和安装 CAFFE , 并最后编译和安装 CAFFE 。在安装过程中如果存在问题，可以查看错误日志，重新检查步骤。如果对命令行操作不熟悉，则先学习linux基础操作。 ### 回答3： caffe - ssd -gpu是一种基于 caffe 框架的用于实现目标检测的神经网络模型，在 Ubuntu 18.04系统中安装 caffe - ssd -gpu需要进行以下步骤： 1. 安装CUDA CUDA是NVIDIA公司推出的用于高性能计算的并行计算平台和编程模型，是使用GPU进行深度学习任务所必需的。在 Ubuntu 18.04上安装CUDA需要首先确认自己的显卡型号，并选择合适的CUDA版本进行安装。可以在NVIDIA官网上下载相应的CUDA安装包，也可以通过命令行方式进行安装。在安装过程中注意要按照提示完成相应的配置和设置。 2. 安装cuDNN cuDNN是用于深度神经网络的GPU加速库，也是必需的组件之一。在安装过程中同样需要确认CUDA的版本和自己的显卡型号，并下载相应的cuDNN安装包进行安装。 3. 安装依赖包在安装 caffe - ssd -gpu前需要先安装几个依赖包，包括protobuf、opencv、boost等。可以通过命令行方式进行安装，例如： sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev 4. 下载 caffe - ssd -gpu源码可以在GitHub上找到 caffe - ssd -gpu的源码，下载后解压到自己想要的目录下。 5. 编译和安装 caffe - ssd -gpu 进入 caffe - ssd -gpu源码目录下，执行以下命令： cd caffe - ssd -gpu mkdir build cd build cmake .. make all -j8 make install 其中，make all -j8表示使用8个线程进行编译，提高编译速度。make install表示安装编译好的 caffe - ssd -gpu库文件和可执行文件。 6. 测试安装是否成功可以尝试运行 caffe - ssd -gpu自带的测试程序，检查安装是否成功。在源码目录下执行以下命令： ./build/tools/ caffe time --model=models/VGGNet/VOC0712/ SSD _300x300_ft/deploy.prototxt --gpu=0 这条命令会测试 caffe - ssd -gpu在GPU上执行推断的速度，如果没有问题，则说明安装成功。需要注意的是，在安装过程中可能会遇到各种问题，例如依赖包的版本不兼容、CUDA和cuDNN的配置出错等等。这时候需要耐心调试错误，逐个解决问题，才能确保 caffe - ssd -gpu能够正常运行。 window10下conda使用报错：An unexpected error has occurred. Conda has prepared the above report. 30238 anaconda换源后无法创建新的虚拟环境，并报错CondaHTTPError: HTTP 000 CONNECTION FAILED for url ＜https://mirrors.tuna.ts 25319 ZZNN123265: 请问训练过程中突然报错 cv2.error: OpenCV(4.5.4-dev) :-1: error: (-5:Bad argument) in function 'resize' > Overload resolution failed: > - Conversion error: src > - Expected Ptr<cv::UMat> for argument 'src' 是什么原因啊安装软件时“应用程序无法启动，因为应用程序的并行配置不正确......” 感谢感谢感谢感谢