win10下用SSD-pytorch训练自己的数据集

╰+攻爆jí腚メ 2023-02-10 03:54 21阅读 0赞

## 代码链接 ##

https://github.com/amdegroot/ssd.pytorch

## 权重下载地址： ##

链接：https://pan.baidu.com/s/1EqrkQOR0Vx4JGaqJn0um8w  
提取码：rd8c

## 环境配置： ##

我是用的yolov3-pytorch的环境，不过一定要注意：**pytorch版本必须小于1.3**，我用的是pytorch1.2.0

自己电脑配置：**win10+2G 显卡**

## 修改SSD代码以适应自己的数据集 ##

参考[这位博主][Link 1]对应自己的数据集进行修改，我的数据集是一分类。

## 有一点需要注意： ##

如果和我一样是一分类，要在`VOC0712.py`中修改，不然会出现`KeyError: 'person'`

VOC_CLASSES = (  # always index 0
     
        'aeroplane', 'bicycle', 'bird', 'boat',
     
        'bottle', 'bus', 'car', 'cat', 'chair',
     
        'cow', 'diningtable', 'dog', 'horse',
     
        'motorbike', 'person', 'pottedplant',
     
        'sheep', 'sofa', 'train', 'tvmonitor')
    #把上边的修改成下面的代码，自己数据集的类别，同时要加上 []
     
    VOC_CLASSES = [( 'person')] # always index 0  改为自己的数据集类别

## 遇到的错误： ##

eval.py我出现这个错误

im_detect: 40/44 0.243s im_detect: 41/44 0.235s im_detect: 42/44 0.202s im_detect: 43/44 0.225s im_detect: 44/44 0.222s Evaluating detections Writing person VOC results file Traceback (most recent call last): File "F:/mx_matting/ssd.pytorch-master/eval.py", line 441, in <module> thresh=args.confidence_threshold) File "F:/mx_matting/ssd.pytorch-master/eval.py", line 416, in test_net evaluate_detections(all_boxes, output_dir, dataset) File "F:/mx_matting/ssd.pytorch-master/eval.py", line 421, in evaluate_detections do_python_eval(output_dir) File "F:/mx_matting/ssd.pytorch-master/eval.py", line 178, in do_python_eval ovthresh=0.5, use_07_metric=use_07_metric) File "F:/mx_matting/ssd.pytorch-master/eval.py", line 265, in voc_eval with open(imagesetfile, 'r') as f: FileNotFoundError: [Errno 2] No such file or directory: 'test.txt' VOC07 metric? Yes

## 修改方法： ##

定位到我的最后一个报错，即eval.py的265行，把imagesetfile 改为test.txt文件的在电脑中的绝对路径，路径带单引号  
将

with open(imagesetfile, 'r') as f:

改入如下形式

with open('F:/mx_matting/ssd.pytorch-master/data/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'r') as f:

## 保存loss值，并打印 ##

在`train.py` 大概200行左右添加下面的语句，创建一个txt文件，将路径写入

#将loss值保存在loss.txt文件中
                doc = open('F:/mx_matting/ssd.pytorch-master/loss.txt', 'a')  # 打开创建好的1.txt文件，参数a表示：打开写入，如果存在，则附加到文件的末尾
                print(iteration,loss.data, file=doc)

完整代码如下：

if iteration % 10 == 0:
                print('timer: %.4f sec.' % (t1 - t0))
                print('iter ' + repr(iteration) + ' || Loss: %.4f ||' % (loss.data), end=' ') #data[0]改为data
                #print(loss.data)
    
                #将loss值保存在loss.txt文件中
                doc = open('F:/mx_matting/ssd.pytorch-master/loss.txt', 'a')  # 打开创建好的1.txt文件，参数a表示：打开写入，如果存在，则附加到文件的末尾
                print(iteration,loss.data, file=doc)

根据[我的这个博客][Link 2]，利用`loss.txt`将loss曲线画出来

## 利用自己训练好的模型测试图片的代码 ##

demo.py

# 使用SSD（Pytorch）进行目标检测
    import os
    import sys
    import torch
    from torch.autograd import Variable
    import numpy as np
    import cv2
    from ssd import build_ssd
    from data import VOC_CLASSES as labels
    from matplotlib import pyplot as plt
    
    # 定位到ssd.pytorch这个路径
    module_path = os.path.abspath(os.path.join('F:/mx_matting/ssd.pytorch-master/demo'))
    if module_path not in sys.path:
        sys.path.append(module_path)
    
    if torch.cuda.is_available():
        torch.set_default_tensor_type('torch.cuda.FloatTensor')
    
    # 构建架构，指定输入图像的大小（300），和要评分的对象类别的数量（X+1类）
    net = build_ssd('test', 300, 2)    # 【改1】这里改一下，如果有5类，就改成6
    # 将预训练的权重加载到数据集上
    net.load_weights('../weights/ssd300_VOC_9000.pth')  # 【改2】这里改成你自己的模型文件
    
    # 加载多张图像
    # 【改3】改成你自己的文件夹
    imgs = '../my_img/'
    img_list = os.listdir(imgs)
    for img in img_list:
        # 对输入图像进行预处理
        current_img = imgs + img
        image = cv2.imread(current_img)
        rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    
        x = cv2.resize(image, (300, 300)).astype(np.float32)
        x -= (104.0, 117.0, 123.0)
        x = x.astype(np.float32)
        x = x[:, :, ::-1].copy()
        x = torch.from_numpy(x).permute(2, 0, 1)
    
        # 把图片设为变量
        xx = Variable(x.unsqueeze(0))
        if torch.cuda.is_available():
            xx = xx.cuda()
        y = net(xx)
    
        # 解析 查看结果
    
        top_k = 10
    
        plt.figure(figsize=(6, 6))
        colors = plt.cm.hsv(np.linspace(0, 1, 21)).tolist()
        currentAxis = plt.gca()
    
        detections = y.data
        scale = torch.Tensor(rgb_image.shape[1::-1]).repeat(2)
        for i in range(detections.size(1)):
            j = 0
            while detections[0, i, j, 0] >= 0.6:
                score = detections[0, i, j, 0]
                label_name = labels[i-1]
                display_txt = '%s: %.2f'%(label_name, score)
                print(display_txt)
                pt = (detections[0,i,j,1:]*scale).cpu().numpy()
                coords = (pt[0], pt[1]), pt[2]-pt[0]+1, pt[3]-pt[1]+1
                color = colors[i]
                currentAxis.add_patch(plt.Rectangle(*coords, fill=False, edgecolor=color, linewidth=2))
                currentAxis.text(pt[0], pt[1], display_txt, bbox={
        'facecolor':color, 'alpha':0.5})
                j += 1
        plt.imshow(rgb_image)
        plt.show()

[Link 1]: https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/105800157?utm_medium=distribute.pc_relevant.none-task-blog-OPENSEARCH-3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-3
[Link 2]: https://blog.csdn.net/weixin_43730508/article/details/106013579