Thundernet 训练自己的数据集
前言：前几天准备想用个轻量的目标检测算法，但是我又不想在动脑子，就想着拿来用用，没想到竟然没看到有人写ThunderNet训练自己数据集的博客，我这暴脾气没人写是吧，那就我写。说干就干
这配置还合手吧！合手的话别忘了点赞评论加关注我，后续我会推出更合手的。
代码： https://github.com/ouyanghuiyu/Thundernet_Pytorch
环境：
Ubuntu16.04
python 3.5
torch 1.1.0
cuda 9
根据我上面提供的链接把模型下载下来
数据集准备
对于跑模型最重要的就是数据集的准备，数据集准备好了，练丹就完成一半了。今天跑的模型ThunderNet数据集还是比较简单的VOC数据格式，但是对于没有用过的VOC数据集的同学还是有点陌生的，主要就是三部分Annotations ImageSets JPEGImages。
Annotations： 存放标签数据的xml文件
ImageSets： 存放训练和验证数据的txt文件
JPEGImages：存放训练的图片
首先在项目里创建一个这样的文件夹目录 data/VOCdevkit/VOC2007/ 接着目录下面存放这些数据
Annotations文件里面存的是标签的xml文件
ImageSet/Main/下面存tain.txt,val.txt，这些txt里面是训练和验证数据的名字
JPGEImages
数据准备完了那你已经成功一半了，继续，不要停不要停。
编译
首先在终端目录下 cd lib 然后执行python3 setup.py build_ext --inplace这里我用的是Python3，因为我系统如果只用python的话是默认指向python2的，所以在python后面加一个3
之后在输入cd psroialign/PSROIAlign 先不要急着执行sh build.sh 进入build.sh文件把python改成Python3（如果你系统python默认指向python3的话，那就不用改）
执行sh build.sh
编译完成之后就要修改一下相关的代码了，因为代码是根据训练voc数据集和coco数据集写的。
首先是改一下trainval_net.py，从255行开始，把voc_2012_train的去掉只留下voc_2007_train。
263行的20改成1，因为原来的voc数据集合是20个类别，但是我的数据只是检测一个目标，所以改成了1。
接着把 /lib/roi_data_layer/roibatchLoader.py 87行 >=20改成了>=1
还有就是/lib/datasets/pascal_voc.py 把原来的20个名字删除，改成自己的目标名字，我的是people，所以留下背景__background__ 和 自己目标名称就可以了，如果你这里是多个目标，就写多个名称就是了。
然后我们去掉一些对我们训练没有用反而会报错的库，注释删除都可以了，对代码没影响。所以没用的当然要剪掉啊
第一个剪掉 /test_net.py 文件下的
from external.nms import soft_nms
第二个剪掉 /lib/model/rpn/proposal_layer.py 文件下的
from external.nms import soft_nms
第三个剪掉 /lib/datasets/coco.py里面的
from pycocotools.coco import COCO
from pycocotools.cocoeval import COCOeval
from pycocotools import mask as COCOmask
训练
训练可以选的3种主干网络，我这里用的是49的，想用其他的改对应的脚本就是了。改训练脚本/script/train_49.sh 。
–save_dir 对应训练的权重保存目录，–net 对应主干网络，被注释的一行代码从哪里接着训练，我注释代表从0开始训练。
预测
作者预测部分也已经写好了脚本，但还要改几个地方。
demo.py文件176行MAX_NUM_GT_BOXES后面的20改成1。
demo.py 207行类别改成自己的目标
script/pre.sh脚本内容更改，voc_images/input/ 是测试图片的文件路径，–net 对应主干网络，–load_dir 权重保存目录
注意两点：
1.因为预测出来的图片结果会存在voc_images/output/ 下面，但是不会自动创建所以需要自己手动提前创建好，否则跑完依旧看不到结果。
2.如果预测出来的图片框很多可以设置一下NMS的值，在lib/model/utils/config.py 文件里的183行 C.TEST.NMS = 0.1 原本是0.5，我改成了0.1，具体值根据你目标类型来定。