2. 程式人生 > >Mxnet(3)-SSD訓練自己的資料

Mxnet(3)-SSD訓練自己的資料

阿新 • • 發佈：2019-01-19

整個ssd的安裝和訓練可以按照官方的例子。

需要注意的是需要編譯ssd相關的程式碼，可以通過兩種方式進行：

  1. 直接把ssd目錄下的operator中的檔案複製到src/operator，然後再編譯
  2. 設定config.mk，把EXTRA_OPERATORS改成EXTRA_OPERATORS = example/ssd/operator，然後再進行編譯。

接著便是執行demo,看能否正確執行，執行前需要下載相關的model和dataset。並且放在正確的位置。

下面是製作自己的資料集進行訓練：

  • 資料集製作
  • 修改訓練相關檔案

  • 訓練和測試

    1.資料集的製作可以參考這篇文章。結束之後可以把資料替換掉VOC2007裡面的相應資料。
    2.修改訓練相關的檔案，需要修改的引數無非是資料的類別數量和標籤名。

  • dataset/pascal_voc.py（在最新版本0.12.1，classes 修改在資料夾dataset/name）

  • demo.py(模型訓練結束後用到)

    這裡寫圖片描述

這裡寫圖片描述

3.訓練和測試

# cd /path/to/mxnet/example/ssd
python train.py
#python train.py --year 2007

測試

# play with examples:
python demo.py --epoch 0 --images ./data/demo/yourImageName.jpg --thresh 0.5

可能會遇到的問題：

AttributeError: 'module'
 
 object has no attribute 'MultiBoxPrior' #20
#是否編譯好ssd,路徑是否配置正確

執行demo.py出現以下錯誤

/ndarray.cc:231: Check failed: from.shape() == to->shape() operands shape mismatch
Traceback (most recent call last):
File "demo.py", line 95, in
ctx, args.nms_thresh, args.force_nms)
File "demo.py", line 41, in get_detector
data_shape, mean_pixels, ctx=ctx)
File "/home/ubuntu/mxnet/example/ssd_LPR/detect/detector.py"
 
, line 39, in init
self.mod.set_params(args, auxs)
File "/home/ubuntu/mxnet/python/mxnet/module/base_module.py", line 503, in set_params
allow_missing=allow_missing, force_init=force_init)
File "/home/ubuntu/mxnet/python/mxnet/module/module.py", line 198, in init_params
_impl(name, arr, arg_params)
File "/home/ubuntu/mxnet/python/mxnet/module/module.py", line 188, in _impl
cache_arr.copyto(arr)
File "/home/ubuntu/mxnet/python/mxnet/ndarray.py", line 533, in copyto
return _internal._copyto(self, out=other)
File "/home/ubuntu/mxnet/python/mxnet/ndarray.py", line 1225, in unary_ndarray_function
c_array(ctypes.c_char_p, [c_str(str(i)) for i in kwargs.values()])))
File "/home/ubuntu/mxnet/python/mxnet/base.py", line 77, in check_call
raise MXNetError(py_str(_LIB.MXGetLastError()))
mxnet.base.MXNetError: [15:02:26] src/ndarray/ndarray.cc:231: Check failed: from.shape() == to->shape() operands shape mismatch

#參考[解決方法](https://github.com/zhreshold/mxnet-ssd/issues/33)

#有可能是類別為1的時候CLASSE=（‘label1’）,正確為CLASSE=（‘label1’，）

參考文獻：

[1] https://github.com/dmlc/mxnet/tree/master/example/ssd
[2] http://blog.csdn.net/yiweibian/article/details/54847882
[3] https://github.com/zhreshold/mxnet-ssd/issues/33

相關推薦

Mxnet(3)-SSD訓練自己的資料

整個ssd的安裝和訓練可以按照官方的例子。 需要注意的是需要編譯ssd相關的程式碼，可以通過兩種方式進行： 直接把ssd目錄下的operator中的檔案複製到src/operator，然後再編譯 設定config.mk，把EXTRA_OPERATOR

SSD訓練自己資料遇到的問題

1在windows上面訓練和測試ssd的方法很少，而且配置也相當之麻煩，搞了幾天才除錯成功。現在寫一下過程分享到部落格上，順便也可以作為今後再次安裝的參考。我的配置環境： windows: 10  gpu: Titan X  cuda: 8.0  caffe: caffe

windows下SSD訓練自己的資料

標註軟體：https://github.com/tzutalin/labelImg 使用這個軟體需要python2.7以上，pyqt4，lxml。 先安裝anaconda2.（python2.7） 然後下載pyqt4 ，連結：http://dl.download.csdn.

如何從頭到尾的用caffe-ssd訓練自己的資料集並進行目標識別

from __future__ import print_function  import caffe  from caffe.model_libs import *  from google.protobuf import text_format      import math  import os  i

SSD訓練自己的資料集

詳細參考 Github上SSD教程：https://github.com/weiliu89/caffe/tree/ssd blog.csdn.net/lk123400/article/details/61191239 測試及視覺化參考http://blog.csdn.ne

MobileNet SSD 訓練自己的資料集

記錄下mobilnet-ssd如何跑自己的資料集。預設環境已經配置好，並且demo.py已經可以成功運行了。 mobilenet-ssd下載路徑（需要注意的點：需要以Git的方式下載，不要以zip的方式下載，否則後面訓練時可能報錯） 步驟記錄：1、製作VOC資料集

SSD演算法理解及利用SSD訓練自己的資料

一. SSD演算法理解參考部落格：https://blog.csdn.net/u014380165/article/details/72824889https://blog.csdn.net/wfei101/article/details/78176322二. 安裝並訓練自己

SSD訓練自己的資料集 Ubuntu16.04

環境：Ubuntu16.04  cuda8.0 cudnn6一、製作自己的資料集https://github.com/whlook/VOCMakerimgs存放所有的原始圖片JPEGImage 存放所有的訓練集圖片。（1）首先執行rename.py檔案執行rename.py 

caffe-ssd 訓練自己的VOC資料集(一):轉換VOC xml資料為lmdb格式

假設你已經做好了VOC資料標籤，也就是xml檔案，並且已經配置好了caffe-ssd的環境 第一步，在caffe-ssd/data目錄下本身自帶有如下資料夾： 然後在caffe-ssd/data目錄下新建一個資料夾命名為VOCdevkit: 然後data目錄下有：

用SSD訓練自己的資料集

1構建 資料集 先來看一下我們構建資料集合應該是什麼樣的,假設總資料為1000張。 為了方便，我們將資料放在／home／bingolwang/data 資料夾下。/home/bingolwang/data/VOCdevkit 這個目錄下是VOC20

使用pytorch版faster-rcnn訓練自己資料集

使用pytorch版faster-rcnn訓練自己資料集 引言 faster-rcnn pytorch程式碼下載 訓練自己資料集 接下來工作 參考文獻 引言 最近在復現目標檢測程式碼（師兄強烈推薦F

《錯誤手記-01》 facenet使用預訓練模型fine-tune重新訓練自己資料集報錯

環境資訊：windows10+python3.5+tensorflow1.6.0 問題描述： 在自己的訓練集上跑train_softmax.py.  引數： --logs_base_dir F:/work/runspace/log/  --models_base_

Kaldi中thchs30訓練自己資料集的步驟

一、資料準備過程 網上下載的thchs-openslr資料集需要換成自己的資料集，包含兩個資料夾：data_thchs30和resource。下面講解如何搞定這一部分。 資料集在data_thchs30檔案中，包含四個部分（data、train、dev、test）。 data資料夾中包

yolov3訓練自己資料集可參考文章

參考部落格原址： https://blog.csdn.net/u012966194/article/details/80004647 這篇文章將介紹編譯darknet框架開始，到整理資料集，到用yolo網路實現一個內部資料集中號碼簿的定

Yolov3訓練自己資料集+資料分析

訓練自己到資料集已經在上一篇文中說明過了，這一篇著重記錄一下資料分析過程 資料分析 1. mAP值計算 1)訓練完成後，執行darknet官方程式碼中到 detector valid 命令，生成對測試集到檢測結果，命令如下： ./darknet detector va

【YOLO初探】之 keras-yolov3訓練自己資料集

寫在前面 如何使用官方資料集參看上一篇文章《【YOLO初探】之 使用官方資料集做目標分類》 傳送門：https://blog.csdn.net/plSong_CSDN/article/details/85108256 這裡，筆者使用了260張訓練資料，完成了人臉中“眼睛”、“鼻子”、“嘴

YOLOv2目標檢測_單目標_訓練自己資料全過程（自用）

1.    製作符合要求的VOC資料集 目標：製作如下格式的資料夾 格式： --VOC2017（大寫字母+數字） --Annotations（存放儲存標註資訊的xml） --ImageSets --Main（存放儲存圖片名的train.txttest.txt） --Layo

Fast RCNN 訓練自己資料集 (1編譯配置)

FastRCNN 訓練自己資料集 (1編譯配置) FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開，過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fa

YOLOv3在訓練自己資料集時的速度慢問題

YOLOv3以速度快著稱，但是在訓練自己的資料集時發現儘管在命令中同時開啟了多塊gpu，但速度仍舊很慢。按照其他人的訓練日誌可以看出64batch的單gpu訓練，每次迭代大約需要不到1秒但是自己在訓練時卻需要好幾個小時，首先想到的是自己的資料集是否圖片解析度太高，比較之後發現

YOLO v3 安裝並訓練自己資料

1. 安裝 YOLO v3的安裝與YOLO v2的安裝方法一樣 git clone https://github.com/pjreddie/darknet 直接使用上邊的命令下載YOLO安裝包。下載完以後，開啟進入到安裝包路徑內 cd darkn