1.SSD 分析（一）
2.制作MXNET数据集

SSD 分析（一）

       研究论文《SSD: Single Shot MultiBox Detector》深入解析了SSD网络的源码训练过程，主要涉及从源码weiliu/caffe出发。下载首先，源码通过命令行生成网络结构文件train.prototxt、下载test.prototxt以及solver.prototxt，源码执行名为VGG_VOC_SSD_X.sh的下载thinkphp小说源码shell脚本启动训练。

       网络结构中，源码前半部分与VGG保持一致，下载随后是源码fc、conv6到conv9五个子卷积网络，下载它们与conv4网络一起构成6个特征映射，源码不同大小的下载特征图用于生成不同比例的先验框。每个特征映射对应一个子网络，源码生成的下载坐标和分类置信度信息通过concatenation整合，与初始输入数据一起输入到网络的源码最后一层。

       特别提到conv4_3层进行了normalization，而前向传播的重点在于处理mbox_loc、mbox_loc_perm、mbox_loc_flat等层，github源码软件这些层分别负责调整数据维度、重排数据和数据展平，以适应网络计算需求。mbox_priorbox层生成基于输入尺寸的先验框，以及根据特征图尺寸调整的坐标和方差信息。

       Concat层将所有特征映射的预测数据连接起来，形成最终的输出。例如，conv4_3_norm层对输入进行归一化，youtube源码直通AnnotatedData层从LMDB中获取训练数据，包括预处理过的和对应的标注。源码中，通过内部线程实现按批加载数据并进行预处理，如调整图像尺寸、添加噪声、生成Sample Box和处理GT box坐标。

       在MultiBoxLoss层，计算正负例的党校平台源码分类和坐标损失，利用softmax和SmoothL1Loss层来评估预测和真实标签的差异。最终的损失函数综合了所有样本的分类和坐标误差，为网络的训练提供反馈。

制作MXNET数据集

       在MXNet框架中，读取图像主要采用两种方法：一种是处理.rec格式文件，类似于Caffe框架中的LMDB，优点在于文件稳定，移植性强，但在空间占用和数据增删灵活性上存在不足。ranger源码解读另一种方式是结合.lst文件与图像，首先在生成.rec文件过程中会同步创建.lst文件，即图像路径与标签对应列表，以此灵活控制训练集与测试集变化，但对图像格式要求严格，且在图像路径变更或删除时可能无法找到对应图像。MXNet提供im2rec.py文件来生成.lst和.rec文件，源码可从官方GitHub下载，具体参数解释详尽，使用时只需指定.lst文件位置、图像文件夹及数据前缀。

       使用im2rec.py文件生成.lst和.rec文件的步骤如下：

       1. 首先，使用命令行运行im2rec.py，参数包括输出.lst文件位置、文件夹路径和数据前缀，例如：python im2rec.py --list /home/mark7/Downloads/data /home/mark7/Downloads/test_images。这将生成对应.lst文件，格式为：路径与标签的对应列表。

       2. 其次，使用已生成的.lst文件和文件夹路径，运行另一条命令生成.rec文件，如：python im2rec.py /home/mark7/Downloads/data /home/mark7/Downloads/test_images，这将完成.rec文件的生成。

       在自定义数据集时，需自行制作.lst文件。一种常用工具是labelme，其生成的标签文件可通过Python的json处理模块读取，获取标注数据。MXNet要求lst文件格式固定，需参照官方文档理解具体意义。在处理标注数据后，可自动生成lst文件，如使用python处理后的json文件内容制作lst文件，再使用im2rec.py生成.rec文件。最终，通过调用MXNet函数，即可利用自定义的rec、lst和inx文件进行模型训练。