對原文的幾點解釋這說明:

1.程式碼地址：https://github.com/balancap/SSD-Tensorflow，下載該程式碼到本地

注:該程式碼是github上tensorflow版的SSD star 最多的程式碼.

2.解壓ssd_300_vgg.ckpt.zip 到checkpoint資料夾下

注:ssd_300_vgg.ckpt.zip在checkpoints資料夾下,直接解壓到checkpoints即可.

3.測試一下看看，在notebooks中建立demo_test.py,其實就是複製ssd_notebook.ipynb中的程式碼，該py檔案是完成對於單張圖片的測試，對Jupyter不熟，就自己改了，感覺這樣要方便一些。

注:建立demo_test.py,將下面的73行程式碼貼上到裡面即可使用.其中,第69行程式碼可以設定具體使用哪張影象進行測試.

4.將自己的資料集做成VOC2007格式放在該工程下面

注:直接將VOC2007資料夾貼上到SSD-Tensorflow資料夾下即可.

5. 修改datasets資料夾中pascalvoc_common.py檔案，將訓練類修改別成自己的

6.  將影象資料轉換為tfrecods格式.

7.執行tf_convert_data.py檔案

注:(1)在SSD-Tensorflow-master資料夾下建立tfrecords_資料夾

(2)在SSD-Tensorflow中執行終端terminal,在其上執行tf_convert_data.py檔案,命令如下：
SSD-Tensorflow$ python3 ./tf_convert_data.py  --dataset_name=pascalvoc  --dataset_dir=./VOC2007/   

--output_name=voc_2007_train --output_dir=./tfrecords_  

(3)其中:./VOC2007/ 為VOC資料儲存的資料夾（VOC的目錄格式未改變）;./tfrecords_  為自己建立的儲存tfrecords資料的資料夾       

8.訓練模型train_ssd_network.py檔案中修改

9.通過載入預訓練好的vgg16模型,訓練網路

注:使用百度網盤,先轉存到自己的網盤下,再下載.

10.訓練

注:(1)在SSD-Tensorflow-master資料夾下建立train_model資料夾

在SSD-Tensorflow中執行終端terminal,在其上執行train_ssd_network.py檔案,命令如下：

SSD-Tensorflow$ python3 ./train_ssd_network.py --train_dir=./train_model/ --dataset_dir=./tfrecords_/ --dataset_name=pascalvoc_2007 --dataset_split_name=train --model_name=ssd_300_vgg  --checkpoint_path=./checkpoints/vgg_16.ckpt  --checkpoint_model_scope=vgg_16 --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box  --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box --save_summaries_secs=60  --save_interval_secs=600  --weight_decay=0.0005 --optimizer=adam  --learning_rate=0.001   --learning_rate_decay_factor=0.94 --batch_size=24 --gpu_memory_fraction=0.9  

11.其它問題可以參考原文和原始碼網頁上的網友留言.