SSD VOC评估与训练自己的数据集

在验证VOC2007测试集时
1. 首先将数据集转换为tfrecord格式：

DATASET_DIR=./VOC2007/test/
OUTPUT_DIR=./tfrecords
python tf_convert_data.py \
    --dataset_name=pascalvoc \
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_test \
    --output_dir=${OUTPUT_DIR}

调用tf_convert_data.py将test set转化成tfrecoeds：（注意：这里直接运行会碰到无法读取图片，UTF-8无法decode的Erro，解决办法是打开SSD工程—>datasets—>pascalvoc_to_tfrecords.py 。。。然后更改文件的83行读取方式为’rb’）

注意将voc_2007_train改为voc_2007_test。

2. 进行模型评估：

DATASET_DIR=./tfrecords

EVAL_DIR=./logs/
CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckpt
python eval_ssd_network.py \
    --eval_dir=${EVAL_DIR} \
    --dataset_dir=${DATASET_DIR} \
    --dataset_name=pascalvoc_2007 \
    --dataset_split_name=test \
    --model_name=ssd_300_vgg \
    --checkpoint_path=${CHECKPOINT_PATH} \
    --batch_size=

运行以上代码报错：

TypeError: Can not convert a tuple into a Tensor or Operation.

解决方法：

打开eval_ssd_network.py文件，然后加入以下代码：

def flatten(x):  
    result = []  
    for el in x:  
         if isinstance(el, tuple):  
               result.extend(flatten(el))  
         else:  
               result.append(el)  
    return result 

下面两处地方调用：

# Standard evaluation loop.  
            start = time.time()  
            slim.evaluation.evaluate_once(  
                master=FLAGS.master,  
                checkpoint_path=checkpoint_path,  
                logdir=FLAGS.eval_dir,  
                num_evals=num_batches,  
                eval_op=flatten(list(names_to_updates.values())), #这里也调用flatten  
                variables_to_restore=variables_to_restore,  
                session_config=config)


  


# Waiting loop.  
            slim.evaluation.evaluation_loop(  
                master=FLAGS.master,  
                checkpoint_dir=checkpoint_path,  
                logdir=FLAGS.eval_dir,  
                num_evals=num_batches,  
                eval_op=flatten(list(names_to_updates.values())), #这里调用flatten  
                variables_to_restore=variables_to_restore,  
                eval_interval_secs=60,  
                max_number_of_evaluations=np.inf,  
                session_config=config,  
                timeout=None

2 训练自己的数据集：

voc格式的数据集制作好以后，转换成tfrecords。需要修改一下源码，

datasets\pascalvoc_common.py：

#VOC_LABELS = {
#    'none': (0, 'Background'),
#    'aeroplane': (1, 'Vehicle'),
#    'bicycle': (2, 'Vehicle'),
#    'bird': (3, 'Animal'),
#    'boat': (4, 'Vehicle'),
#    'bottle': (5, 'Indoor'),
#    'bus': (6, 'Vehicle'),
#    'car': (7, 'Vehicle'),
#    'cat': (8, 'Animal'),
#    'chair': (9, 'Indoor'),
#    'cow': (10, 'Animal'),
#    'diningtable': (11, 'Indoor'),
#    'dog': (12, 'Animal'),
#    'horse': (13, 'Animal'),
#    'motorbike': (14, 'Vehicle'),
#    'person': (15, 'Person'),
#    'pottedplant': (16, 'Indoor'),
#    'sheep': (17, 'Animal'),
#    'sofa': (18, 'Indoor'),
#    'train': (19, 'Vehicle'),
#    'tvmonitor': (20, 'Indoor'),
#}

VOC_LABELS = {
    'none': (0, 'Background'),
    'crazing': (1, 'crazing'),
    'inclusion': (2, 'inclusion'),
    'patches': (3, 'patches'),
    'pitted_surface': (4, 'pitted_surface'),
    'rolled-in_scale': (5, 'rolled-in_scale'),
    'scratches': (6, 'scratches'),
}

接着跳转到SSD-tensorflow目录下，进行tfrecords操作，我的运行命令如下：

DATASET_DIR=VOCtest2018/  
OUTPUT_DIR=tfrecords/  
python3 tf_convert_data.py \  
    --dataset_name=pascalvoc \  
    --dataset_dir=${DATASET_DIR} \  
    --output_name=voc_2007_train \  
    --output_dir=${OUTPUT_DIR}

这样就可以进行训练了，运行的命令为：

DATASET_DIR=tfrecords  
TRAIN_DIR=logs/  
CHECKPOINT_PATH=./checkpoints/ssd_300_vgg.ckpt  
python3 train_ssd_network.py \  
    --train_dir=${TRAIN_DIR} \  
    --dataset_dir=${DATASET_DIR} \  
    --dataset_name=pascalvoc_2007 \  
    --dataset_split_name=train \  
    --model_name=ssd_300_vgg \  
    --checkpoint_path=${CHECKPOINT_PATH} \  
    --save_summaries_secs=60 \  
    --save_interval_secs=600 \  
    --weight_decay=0.0005 \  
    --optimizer=adam \  
    --learning_rate=0.001 \  
    --batch_size=16 
    --device=cpu(如果在cpu机器上跑)
    --data_format=NHWC（针对cpu，或者在train_ssd_network中第27行代码改）