深度学习目标检测算法SSD300 训练自己的数据与测试（基于Keras WIN10 Python3.6）数据集制作、代码详细介绍（源代码、相关软件及权值下载）

本文主要是介绍深度学习目标检测算法SSD300 训练自己的数据与测试（基于Keras WIN10 Python3.6）数据集制作、代码详细介绍（源代码、相关软件及权值下载），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

基于Keras搭建的SSD300目标检测神经网络

先看看效果（图片来源：视觉中国 www.vcg.com，这里只做演示使用，我也不获利，请视觉中国不要告我，实在不让我用就联系我删了吧，感恩）
在这里插入图片描述

1. 运行需要的模块

代码运行需要部分必须的Python模块包括：（部分依赖模块未列出）

Keras >= 2.0.0
TensorFlow >= 1.7.0
Tensorboard >= 1.7.0
numpy >= 1.9.0
opencv >= 3.3.1

2. 测试代码运行情况

下载好的代码及权值文件（源代码及权值文件免费下载见文章尾）
最终你的项目文件夹应该是这样的
在这里插入图片描述

将下载好的权值文件放在 SSD300_Train/weights 文件夹中
运行 SSD_test.py 即可得到上图的效果 ~ ~
如果没报错就说明的Python环境配置正确了，恭喜进入下一阶段

3. SSD_test.py 讲解

项目自带的权值文件是以VOC数据集训练的，能够检测20种目标。详细内部实现不作详细讲解，主要介绍下面的主要部分。

在这里插入图片描述

4. 训练自己的数据集

4.1 创建自己的数据集

代码的数据集使用的VOC的数据格式（不知道的请自行百度一下，这里不细说），使用ImgLabel软件标注，软件下载可以去GitHub搜索imglabel源代码copy下来，使用方法请自行百度。文章尾部也给出了已经编译好了的exe版本下载地址（免费），嫌麻烦的也可以直接下载我上传到CSDN上的版本

重点！！！！！！

在进行标计前建议将拍摄的原始图像进行一定的缩放，保证图片的大小在200k左右，要不训练超级慢。
标记前请一定先确定好自己数据集存放的位置，一旦确定就不要变了，要不会很麻烦。
具体原因：代码中图片的具体读取是通过读取标记文件（.xml）中的图片路径来读取图片的（如下图中红线的部分），如果数据集位置变了但文件中有没改这里，就会读取不到图片。
使用我上传到CSDN上的imglabel软件标注的同学可能会注意到路径中缺少文件后缀，请不要担心，继续往下看。
标注时同一类目标的名称一定要完全一样（包括大小写），要不就不是同一类了不是？
标注完毕后在数据集文件夹中创建一个name.txt，将数据集中的类别名称填入文件中，每个类名一行（例如下图），一定要和数据集中的类名完全一样。

5. 开始训练

训练包括两部，第一步生成标记数据文件（文件夹中的my_new_data.pkl）；第二步配置训练参数开始训练。

5.1 生成标记数据文件

注意：每次更改训练集内的图片都应该重新生成标记数据文件！！！！
生成标记数据文件主要用到 TransData.py
使用时主要修改main函数
在这里插入图片描述
4.1中提到的.xml文件中的图片路径中缺少文件后缀同学请执行下一步，如果没有出现文件后缀丢失，请忽略。

没有后缀的在这里添加上后缀（包括后缀中的点），如果数据集中的图片后缀不统一的话还是写个脚本将.xml文件中的后缀添加上，有需要的同学请评论联系我。
生成成功后应该会有一个.pkl文件产生（或者更新覆盖原来的）。

5.2 配置训练参数开始训练

主要修改TrainSSD.py文件
修改参数主要包括以下几个：

设置训练集的比例
此处设置训练集的个数占总的数据集的0.8，剩下的0.2为测试集
设置训练的batch_size
此处设置batch_size为每个batch 16张
设置冻结层
这里涉及到迁移学习的一点概念思想，感兴趣的同学建议自己查查。这里我们将产生特征层的网络部分冻结起来，只训练类别预测和位置回归的部分，这样即使训练集很小也可以获得不错的训练效果。当然如果你的训练集比较大还是重头训练的好。
设置基础学习率
训练时学习率采用指数下降方式，每训练一个epoch，梯度都会改变，这里设置的是基础学习率
设置训练回合数
这里设置训练100回合