Mobilenet-SSD：轻量级目标检测模型在Keras当中的实现（论文版）
主环境
tensorflow-gpu==1.13.1
keras==2.1.5
文件下载
训练所需的essay_mobilenet_ssd_weights可以在百度云下载。[放入model_data]
链接: https://pan.baidu.com/s/1HwCLIqNeq2fvZsZzbPHF_w
提取码: 839n
预测步骤
a、使用预训练权重
- 下载完库后解压，在百度网盘下载essay_mobilenet_ssd_weights.h5，放入model_data，运行predict.py，输入
img/street.jpg- 利用video.py可进行摄像头检测。
b、使用自己训练的权重
- 按照训练步骤训练。
- 在ssd.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。
_defaults = {
"model_path": 'model_data/essay_mobilenet_ssd_weights.h5',
"classes_path": 'model_data/voc_classes.txt',
"model_image_size" : (300, 300, 3),
"confidence": 0.5,
}- 运行predict.py，输入
img/street.jpg- 利用video.py可进行摄像头检测。
训练步骤
- 本文使用VOC格式进行训练。
- 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
- 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
- 在训练前利用voc2ssd.py文件生成对应的txt。
- 再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。注意不要使用中文标签，文件夹中不要有空格！
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]- 此时会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。
- 在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，示例如下：
model_data/new_classes.txt文件内容为：
cat
dog
...- 将train.py的NUM_CLASSSES修改成所需要分的类的个数+1，运行train.py即可开始训练。
mAP目标检测精度计算更新
更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
get_map文件克隆自https://github.com/Cartucho/mAP
具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw
Reference
https://github.com/bubbliiiing/Mobilenet-SSD-Essay
https://github.com/pierluigiferrari/ssd_keras
https://github.com/kuhung/SSD_keras
https://github.com/ruinmessi/RFBNet