SSD模型配置（訓練）與運行
參考博文：
1. * ssd模型配置及運行demo
2. * SSD: Signle Shot Detector 用於自然場景文字檢測
3. SSD的配置安裝與測試
4. * SSD: Single Shot MultiBox Detector檢測單張圖片
簡介：
SSD基於Caffe框架實現，在Github上可以獲得開源代碼。SSD 是用來檢測物體的，那么同樣可以將 SSD 用來檢測自然場景圖像中的文字。
第一部分：安裝SSD（caffe）
1、安裝Git
終端輸入：
sudo apt-get install git
2、安裝SSD
在主文件下終端輸入（即/home/***（您的服務器名字）這個目錄）：
git clone https://github.com/weiliu89/caffe.git cd caffe git checkout ssd（出現“分支”則說明copy-check成功）
會在examples目錄下出現ssd項目
第二部分：配置SSD（caffe）
終端輸入：
cd /home/**（您服務器的名字）/caffe
cp Makefile.config.example Makefile.config
打開Makefile.config，開始修改，保存退出；或者從之前caffe項目復制其配置文件到這里。
終端輸入：
cd /home/**（您服務器的名字）/caffe mkdir build cd build # 下面的命令都在build目錄下執行 cmake ..（cmake和..中間又一個空格） make all -j16（"‐j16"是使用 CPU 的多核進行編譯,可以極大地加速編譯的速度） make pycaffe（編譯pycaffe）
注：編譯最新的caffe使用cudnn，其版本要求至少為v4，否則出錯.[2017-02-21]
第三部分：下載數據文件
1、 預訓練模型下載
下載地址：VGG_ILSVRC_16_layers_fc_reduced.caffemodel
在caffe/models文件夾下新建文件夾，命名為VGGNet，將剛剛下載下來的文件放入這個VGGNet文件夾當中
2、下載VOC2007和VOC2012數據集
在用戶主目錄下（即/home/**（您服務器的名字）/）新建data/目錄
終端輸入：
cd /home/**（您服務器的名字）/data wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
解壓這三個文件，終端輸入（請嚴格按照這個順序解壓）：
cd /home/**（您服務器的名字）/data tar -xvf VOCtrainval_11-May-2012.tar tar -xvf VOCtrainval_06-Nov-2007.tar tar -xvf VOCtest_06-Nov-2007.tar
第四部分：生成LMDB文件
終端輸入：
cd /home/**（您服務器的名字）/caffe ./data/VOC0712/create_list.sh ./data/VOC0712/create_data.sh
在運行第三步時如果出現no module named caffe或者是no module named caffe-proto，則在終端輸入：
export PYTHONPATH=$PYTHONPATH:/home/**（您服務器的名字）/caffe/Python
然后再次運行
第五部分：訓練測試演示
1、 訓練
打開caffe/examples/ssd/ssd_pascal.py這個文件，找到gpus='0,1,2,3'這一行，如果您的服務器有一塊顯卡，則將123刪去，如果有兩個顯卡，則刪去23，以此類推。
如果您服務器沒有gpu支持，則注銷以下幾行，程序會以cpu形式訓練。（這個是解決問題cudasuccess（10vs0）的方法）
#Ifnum_gpus >0:
# batch_size_per_device =int(math.ceil(float(batch_size) / num_gpus))
#iter_size =int(math.ceil(float(accum_batch_size) / (batch_size_per_device * num_gpus)))
# solver_mode =P.Solver.GPU
# device_id =int(gpulist[0])
保存后終端運行：
cd /home/**（您服務器的名字）/caffe python examples/ssd/ssd_pascal.py
如果出現問題cudasuccess（2vs0）則說明您的顯卡計算量有限，則編輯文件 vim examples/ssd/ssd_pascal.py ，找到batch_size = 32這一行，修改數字32為16或8或4，保存后再次終端運行 python examples/ssd/ssd_pascal.py
注意，SSD模型訓練過程中GPU顯存需求略小於 8GB。這意味着4GB或6GB顯存的GPU無法直接訓練SSD[實驗室配置為GT980，顯存6GB，cudnn加速能力5]，可以通過減小batchsize來繞過這個問題。
wang@VisInt:~$ nvidia-smi
Tue Feb 21 17:30:36 2017
+------------------------------------------------------+
| NVIDIA-SMI 346.82 Driver Version: 346.82 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 980 Ti Off | 0000:02:00.0 N/A | N/A |
| 0% 37C P8 N/A / N/A | 48MiB / 6143MiB | N/A Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 C+G Not Supported |
+-----------------------------------------------------------------------------+
2、 測試
終端輸入：
python examples/ssd/score_ssd_pascal.py
演示detection的訓練結果，數值在0.728左右
3、 用訓練好的 model 進行 predict
>>演示網絡攝像頭識別效果，終端輸入：
python examples/ssd/ssd_pascal_webcam.py
要求機器上有攝像頭，Linux服務器桌面環境下運行命令
>>檢測圖片：
jupyter notebook
打開 ~/caffe/examples/ssd_detect.ipynb
指定好 caffemodel
要求在Linux服務器桌面環境下運行命令