这是我前段时间参加的一个口罩检测比赛使用的代码。使用的是谷歌公司推出的object detection API中的SSD-Inceptionv2模型，现记录于此。 注：这次比赛是在云服务器上跑的，其中Dockerfile里的内容是用于构建镜像的。如果在本地服务器上跑，可以把其中的内容在Terminal或者shell文件里重新写一下。 关于这次比赛数据集的情况、完成过程、评价标准以及遇到的一些问题都记录在了个人博客里，仅供参考。
口罩、安全帽识别比赛踩坑记（二） 比赛流程及 SSD / YOLO V3 两版本实现
- Ubuntu 16.04
- python 3.6.8
- Tensorflow-gpu 1.13.2
- CUDA 10.0 / cudnn 7.4.2
- OpenCV 4.2
- pandas
- matplotlib
- pillow
- seaborn
- tensorboard
如果要用openvino加速，则还需要去OpenVINO官方文档上下载相应的包。
- OpenVINO2020R1
这里先下载本模型的预训练模型SSD-Inceptionv2，提取码：9nw4
下载后放在 你的项目地址/src_repo/pre-trained-model 里解压就好。
当然你也可以直接在Terminal里wget http://10.9.0.103:8888/group1/M00/00/02/CgkAZ15ibP2EQwGkAAAAAPNBqdc5432.gz
但最好还是在外面用自己的下载软件下载，不然你就会体验到什么叫绝望。
因为是在云服务器上跑的比赛，听的是赛组委的宣，所以跟本地跑的程序有几点不同，主要是Dockerfile镜像构建部分可以不用管它，还有测试程序没有写，这部分是在后期封装成SDK以后预留一个测试接口，然后使用这个测试接口直接与他们内网的测试数据集关联，进行测试后直接输出结果的。
├── project/
│ ├── ev_sdk # ev_sdk封装代码仓库，软链接到/usr/local/ev_sdk
│ ├── train # 训练相关的代码、模型、日志文件、图等
│ │ ├──models # 模型和openvino文件存放地址
│ │ ├──src_repo # 训练代码仓库
│ │ ├──result-graphs # 训练相关图
│ │ ├──log # 日志文件
其中/project/train/src_repo存放的是数据处理、训练、生成openvino模型等代码。程序结构如下：
├── project/train/src_repo/
│ ├── openvino_config # openvino加速推理时需要的config
│ ├── pre-trained-model # 预训练模型存储的地方，包括config
│ ├── tf_models # ODA模型
│ ├── convert_dataset.py # 数据预处理模块
│ ├── Dockerfile # 构建镜像部分，没有用云的话就可以不管
│ ├── export_models.py # .ckpt转换为.pb，最后.pb再转换为openvino模型
│ ├── global_config.py
│ ├── requirements.txt # 程序运行所需的包
│ ├── save_plots.py # 训练过程可视化
│ ├── start_train.sh # 训练命令集成
│ ├── train.py
/project/ev_sdk存放的是EV_SDK封装代码，该目录在比赛中是/usr/local/ev_sdk的软链接，内部的程序结构如下。当然，我们日常用，不用考虑落地的程序不需要理会ev_sdk里面的内容。训练中生成的openvino模型.xml和.bin文件会存储在/project/train/models里，与/project/ev_sdk/model是会同步的，这里需要我们自己手动mv一哈~
具体的测试和各部分的功用参考/project/ev_sdk/README.md。
/usr/local/ev_sdk/
├── CMakeLists.txt # cmake构建文件
├── Dockerfile # 构建镜像的文件
├── include
│ ├── ji.h # 接口头文件
│ └── SampleDetector.hpp
├── model
├── README.md
├── src
│ ├── ji.cpp # ji.h的接口实现代码
│ └── SampleDetector.cpp # 检测算法加载与推理的实现代码
└── test
本程序中默认的项目存放地址为/project/train/src_repo，如要更改为自己存放项目的地址，需要改动以下几处地方：
- start_train.sh第3/4/6行
- global_config.py第4行
- ssd_inception_v2_coco.config第171/173/185/187行
- ssd_inception_v2_coco.config第152行（预训练模型存储地址）
- export_models.py第17行
- save_plots.py第52行
我们使用的数据集标注为VOC2007格式，可使用labelImg进行xml标注。采用bounding box四点标注的方式。标注好后的图片和xml都存储在同一个文件夹里，
本程序中默认的该文件夹地址为/home/data/12。如需修改为自己的地址，可以更改convert_dataset.py第21行；
还需替换自己的label_names，更改位置在convert_dataset.py第28/212行；ssd_inception_v2_coco.config第9行。
如果要使用，需要去OpenVINO官网上下载相应的套件，本程序默认的安装地址是/opt/intel/openvino_2020.1.023/，如要更改地址，需更改export_models.py第14/55行；
如果不使用openvino加速，请注释掉export_models.py第14/15,53~63行。
训练时，我们先要在ssd_inception_v2_coco.config中设定训练的一些相关参数，其中第142、158行是关于训练次数的，需要更改。
设定好后，我们在Terminal中输入指令：bash /project/train/src_repo/start_train.sh (其中/project/train/src_repo/需更改为你的项目地址）即可
如果你最终需要封装成SDK，可以更改:
- /project/ev_sdk/src/SampleDetector.cpp第39~42行
- /project/ev_sdk/src/ji.cpp第100行
- 相应的测试程序