数据集 数据集_从零开始学习SSD目标检测算法训练自己的数据集

（fanqiang）英伟达官方下的，亲测有用

提出了一种基于深度学习的多视窗 SSD(Single Shot multibox Detector)目标检测方法。首先 阐述了经典 SSD 方法的模型与工作原理，并根据卷积感受野的概念和模型特征层与原始图像的映射 关系，分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸，揭示了经典 SSD 方法在小目标检测上不足的原因。基于此，提出了一种多视窗 SSD 模型，阐述了其模型结构与工 作原理，并通过 106 张小目标图像数据集测试，评估和对比了多视窗 SSD 方法与经典 SSD 方法在小 目标检测上的物体检索能力与物体检测精度。结果表明：在置信度阈值为 0.4 的条件下，多视窗 SSD 方法的 AF(Average F-measure)为 0.729，mAP(mean Average Precision)为 0.644，相比于经典 SSD 方法 分别提高了 0.169 和 0.131，验证了所提出算法的有效性。

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py 测试视频 python camera_detection.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函

为提升原始SSD算法的小目标检测精度及鲁棒性，提出一种基于通道注意力机制的SSD目标检测算法。在原始SSD算法的基础上对高层特征图进行全局池化操作，结合通道注意力机制增强高层特征图的语义信息，并利用膨胀卷积结构对低层特征图进行下采样扩大其感受野以增加细节与位置信息，再通过级联的方式将低层特征图与高层特征图相融合，从而实现小目标及遮挡目标的有效识别。实验结果表明，与原始SSD算法相比，该算法在PASCALVOC数据集上的平均精度均值提升了2.2%，具有更高的小目标检测精度和更好的鲁棒性。

用opencv框架实现的基于SSD的目标检测，c++语言版，里面有下载好的SSD模型，有测试图片，运行环境是VS2017+opencv4.0

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 6、口罩检测Done 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函数 detection.py 检测结果的处理代码，将SSD返回结果处理为opencv可以处理的

该代码实现了基于一张照片上的20种目标检测，检测率高达80%以上。

SSD训练结核杆菌冻结训练、解冻训练各50世代总共100世代，训练得到的模型权重文件。后续可在此权重基础上继续迁移学习

SSD目标检测算法框架，附带预训练权重可迁移学习，自留学习参考备用。[注意self.phase处的detect后面加上.forward()即可消除版本更新之后的梯度问题]