1.實現(xiàn)ssd-keras實時目標檢測算法庆捺，并制作十張圖片的測試集柏锄。效果一般。ssd算法是繼faster-rcnn與yolo之后的又一力作缴川。來自UNC團隊2016年發(fā)表在ECCV上橘券。SSD最大的特點就是在較高的準確率下實現(xiàn)較好的檢測準確度额湘。并非為兩種模型：SSD300（300*300輸入圖片），SSD500（512*512輸入圖片）旁舰。當然輸入圖片的尺寸越大锋华，往往會得到更好的檢測準確率，但同時也帶來顯存開銷過大與設(shè)備性能要求較高等問題箭窜。在實際的上手操作中毯焕，測試效果一般。因為是直接在github上clone -recursive下來磺樱，并按照說明進行配置運行纳猫。而且還沒有整理好自己的數(shù)據(jù)集，故也就不需要訓練竹捉，驗證并fine-tine超參數(shù)等一系列操作芜辕。。同時也沒有什么好的想法去在SSD基礎(chǔ)卷積網(wǎng)絡結(jié)構(gòu)上做改進優(yōu)化的小點子-_-||块差。侵续。所以也沒什么好說的。憨闰。状蜗。因為訓練比較麻煩故用的是在voc07+12 SSD300訓練好的模型。并用了下voc2007測試集測試集簡單跑了下鹉动。簡單修改了下路徑函數(shù)實現(xiàn)了幾張本地圖片的檢測轧坎。。另外中間有一個小插曲泽示，因為題主用的顯卡是GTX1060缸血，只有6G顯存蜜氨，當時訓練報錯out of memory也是很郁悶。属百。嘗試簡單改小batch_size再次嘗試訓練還是out of memory于是就放棄了訓練记劝。。對了族扰，另外用ssd500測試的時候也出樣同種情況。定欧。當然git主不只提供了基于VOC的訓練模型渔呵，同時也提供COCO與ILSVRC的預 訓練模型。砍鸠。這主要根據(jù)自己的真實需求選擇不同的訓練模型扩氢，類別數(shù)依次遞增。當然也用到些基本技能：jupyter notebook遠程連接服務器：172.xx.xx.xx：端口號很方便爷辱。還有兩大神器：xshell（雖然不知道筆記本為啥不能免費試用從而轉(zhuǎn)戰(zhàn)了putty）,winscp（好用的文件傳輸誰用誰知道）录豺。
2.接下來就準備簡單搞一下yolo了 ，目前檢測方面速度最快的算法之一饭弓。直接使用的官方y(tǒng)olo-darknet双饥。配置比較簡單，直接實現(xiàn)也沒什么好說的弟断。咏花。只是實時測試中yolo達到19fps，tiny-yolo達到75fps左右阀趴。yolo明顯比tiny-yolo識別精度要高一些昏翰。另外又簡單搞了下yolov3，確實有所提升yolov3達到27fps刘急。
3.另外又搞了下faster-rcnn基于tensflow的棚菊。這個就跟沒什么好說的了。叔汁。選用resnet101預訓練于VOC07+12的模型统求。在自制十張小數(shù)據(jù)集上小測一番，表現(xiàn)略高于前兩者攻柠，因為數(shù)據(jù)集特殊故可以肉眼看出球订。
最后吐槽一下，目標檢測近幾年真是發(fā)展迅猛瑰钮，從yolo系列的高速單步檢測到faster-rcnn系列基于候選區(qū)域的較高精度檢測冒滩。再到SSD的改進（提高了精度與達到了不錯的速度）。再有后者的基于FPN與Focal loss的Retinanet（特征金字塔浪谴，焦點損失）开睡。再有網(wǎng)絡結(jié)構(gòu)的改進之Resnext因苹，號稱真正改良了Resnet殘差網(wǎng)絡，通過增加path的方式減少了參數(shù)量提升了表現(xiàn)篇恒，優(yōu)于對寬度或深度做改變扶檐。再有就是Frcn，同樣號稱是檢測界的一項重大突破胁艰，同樣是減少參數(shù)量款筑，使得再次增加網(wǎng)絡深度成為可能，并在檢測中有著不俗的表現(xiàn)腾么。一入檢測深似海奈梳，學習永遠在路上。
最拋幾個常用關(guān)鍵字吧：
batch size 解虱；batch normalization攘须；filter size；SGD殴泰；BGD于宙；dropout；rule悍汛；softmax捞魁；卷積與全連接；thresholdre等员凝。
