下载源码：

github地址

解压：

这里的代码比较全：

datasets是数据工厂
notebooks是测试文件

checkpoints是cpkt文件，解压到当前目录。
demo和pictures均是图片
net是网络结构文件
deployment是训练用的部署文件

开始玩玩这个代码

其他暂时未追究，分三步。
1.测试
2.验证
3.训练

测试

在notebook中有ssd_tests.ipynb文件
在SSD-Tensorflow-master根目录，在cmd中输入，shitf + 鼠标右键

jupyter  notebook

会在浏览器打开jupyter notebook

直接运行所有的cell，记得解压checkpoints的文件。

验证

先做数据，先还是下载VOC 2007数据
这里有数据地址：
链接：https://pan.baidu.com/s/15Tster6-DhDc1J5rhguHoA
提取码：1j36

先生成tfrecord
修改datasets/pascalvoc_to_tfrecords.py 代码,如下，

在根目录下运行tf_convert_data.py
公认的操作如下，linux下建立.sh文件：

DATASET_DIR=./VOC2007/test/
OUTPUT_DIR=./tfrecords
python tf_convert_data.py \
    --dataset_name=pascalvoc \
    --dataset_dir=${DATASET_DIR} \
    --output_name=voc_2007_train \
    --output_dir=${OUTPUT_DIR}

我是如下操作，没在cmd输入参数，修改了tf_convert_data.py的参数默认值。

tf.app.flags.DEFINE_string(
    'dataset_name', 'pascalvoc',
    'The name of the dataset to convert.')
tf.app.flags.DEFINE_string(
    'dataset_dir', 'F:/my_code/object_detector/VOCdevkit/VOC2007/',
    'Directory where the original dataset is stored.')
tf.app.flags.DEFINE_string(
    'output_name', 'voc_2007_test',
    'Basename used for TFRecords output files.')
tf.app.flags.DEFINE_string(
    'output_dir', './datasets/',
    'Output directory where to store TFRecords files.')

注意这里的

tf.app.flags.DEFINE_string(
    'output_name', 'voc_2007_test',
    'Basename used for TFRecords output files.')

最好以voc_2007_*_ 这样的格式，其他格式会报错，因为在pascalvoc_2007.py中如下。

制作train数据和 test数据：

voc_2007_train 和 voc_2007_test

结果：

得到tfcord文件：

开始测试模型的精度

报错：

点这里解决
在eval_ssd_network.py加一个函数flatten（）

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

如下：

再修改:

eval_op=flatten(list(names_to_updates.values())),

输入：

python .\eval_ssd_network.py

搞定得到日志文件：

运行tensorboard：

训练

生成数据
也是建立.sh文件。

#!/bin/bash

#The directory where the dataset files are stored.
DATASET_DIR=/home/doctorimage/kindlehe/common/dataset/VOC2007/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007_tfrecord/
#../../../../common/dataset/VOC2007/VOCtrainval_06-Nov-2007/VOCdevkit/VOC2007_tfrecord/

#Directory where checkpoints and event logs are written to.
TRAIN_DIR=.././log_files/log_finetune/

#The path to a checkpoint from which to fine-tune
CHECKPOINT_PATH=/home/doctorimage/kindlehe/common/models/tfmodlels/SSD/VGG_VOC0712_SSD_300x300_ft_iter_120000/VGG_VOC0712_SSD_300x300_ft_iter_120000.ckpt
#../../../../common/models/tfmodlels/SSD/VGG_VOC0712_SSD_300x300_ft_iter_120000/VGG_VOC0712_SSD_300x300_ft_iter_120000.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=32

我是win10玩家：

python ./train_ssd_network.py  --train_dir=./train_model/  --dataset_dir=./tfrecords_/  --dataset_name=pascalvoc_2007 --dataset_split_name=train --model_name=ssd_300_vgg   --checkpoint_path=./checkpoints/vgg16.ckpt   --checkpoint_model_scope=vgg_16 --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box   --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box --save_summaries_secs=60   --save_interval_secs=600 --weight_decay=0.0005   --optimizer=adam   --learning_rate=0.001 --learning_rate_decay_factor=0.94   --batch_size=24      --gpu_memory_fraction=0.9

注意：

–dataset_name=pascalvoc_2007
–dataset_split_name=train
–model_name=ssd_300_vgg这三个参数不要自己随便取，在代码里，这三个参数是if…else…语句，有固定的判断值，所以要根据实际情况取选择
tf.contrib.slim.learning.training函数中max-step为None时训练会无限进行

参考：
Kindle君
 SSD-tensorflow 测试与训练实践

SSD源码测试

SSD源码测试

下载源码：

开始玩玩这个代码

测试

验证

训练

注意：