SSD（Single Shot MultiBox Detector）算是一個比較不錯的目標檢測算法，主攻方向是速度，當然精度也比Yolo提高了一些，最近在ubuntu16.04下實現了代碼運行，此博文主要內容來自原作者的github，加上了一些個人理解，歡迎探討。
PS：SSD代碼和模型常常在更新，我給的鏈接可能不是最新版，如運行出錯請參看官方github。
準備工作：linux+cuda+caffe是標配，我就不詳述了，推薦博客：
ubuntu16.04+nvidia gt740m+cuda7.5+caffe安裝、測試經歷 http://blog.csdn.net/WoPawn/article/details/52313914
下面正式開始：
1.獲取源碼
git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd說明：SSD採用的是在caffe文件夾中內嵌例程的方式，作者改動了原版caffe，所以你需要把原來的caffe文件夾移除，git命令會新建一個帶有SSD程序的caffe文件夾，當然，這個新的caffe要重新編譯一次。
2.編譯caffe
cd /home/mx/caffe
cp Makefile.config.example Makefile.config運行時報錯不斷，事後總結，需要修改配置文件，用gedit或者vim打開配置文件進行修改：
1）Makefile.config文件中
將USE_CUDNN :=1取消註釋
2）Makefile.config文件中
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include後面打上一個空格，
然後添加/usr/include/hdf5/serial， 如果沒有這一句會報一個找不到hdf5.h的錯誤
3）makefile文件中
替換NVCCFLAGS += -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
爲NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
保存退出。
繼續輸入命令
make -j8 #8線程
make py
make test -j8
make runtest -j8 #貌似不是必須的，跑一遍用了10多分鐘3.訓練模型
節省時間的做法是，直接下載原作者最終弄好的模型：
http://www.cs.unc.edu/~wliu/projects/SSD/models_VGGNet_VOC0712_SSD_300x300.tar.gz
解壓後將voc0712文件夾放入/home/mx/caffe/models/VGGNet/之下
OR：條件較好的同學可以下載圖片數據和預訓練模型，進行finetuning，得到最終可用的模型，步驟如下：
1）下載預訓練模型
https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6
將其放入新建的文件夾/home/mx/caffe/models/VGGNet/
2）下載voc2007和voc2012數據集
cd /home/mx/data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar如果終端下載太慢，那就按照地址手動下載文件，依然放入文件夾/home/mx/data/
解壓文件，按照順序來
cd /home/mx/data
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar3）將圖片轉化爲LMDB文件，用於訓練
cd /home/mx/caffe
./data/VOC0712/create_list.sh
./data/VOC0712/create_data.sh這裏用的腳本實現批處理，可能會出現錯誤：no module named caffe或者no module named caffe-proto，那是caffe的Python環境變量未配置好，解決方法：
echo "export PYTHONPATH=/home/username/caffe/python:$PYTHONPATH" >> ~/.profile
source ~/.profile
echo $PYTHONPATH #檢查環境變量的值設好環境變量後，重新運行命令就不會出錯了
4）訓練模型（finetuning）
cd caffe/
python examples/ssd/ssd_pascal.py4.演示效果
PS：之前有說過，SSD代碼和模型常在更新，如果有同學遇到“shape mismatch. Source param shape is 12 512 3 3 (55296); target param shape is 16 512 3 3 (73728)”這種錯誤，請一定去github下載最新的模型。
SSD的作者在/home/mx/caffe/examples/ssd/文件夾下，放了好幾個Python文件，都是直接調用，可以檢測圖片，視頻，以及電腦前置攝像頭
1）圖片測試集
python examples/ssd/score_ssd_pascal.py
大概看了下代碼們這裏是跑了一遍數據集，得出準確率，我記得是百分之70多。要想用單張圖片檢測，貌似ssd_detect.cpp可用，博主還要研究下
2）電腦前置攝像頭
python examples/ssd/ssd_pascal_webcam.py下圖爲檢測效果，身在實驗室，只能對準天花板了：
3）視頻檢測
python examples/ssd/ssd_pascal_video.py當然，這樣直接跑肯定不行，要先用vim打開該文件，定位到51行，修改視頻路徑爲已有本地視頻，然後運行纔不報錯。
博主在youtube下載了一段車載視頻，以下是檢測效果圖，還不錯：
原作者說SSD運行時能有幾十幀，可是人家用的是Titan X，我運行時只有10幀只能是GTX850M顯卡太渣了。。。
參考文獻：https://github.com/weiliu89/caffe/tree/ssd
下一步方向：研究SSD的python源代碼，然後訓練和檢測自己的數據
