1、【Pytorch 搭建自己的SSD目标检测平台（Bubbliiiing 深度学习 教程）】 https://www.bilibili.com/video/BV1A7411976Z/?share_source=copy_web&;vd_source=1e6f2281c23ca69b18df2d7768310983

笔记

2.2 SSD源码解析(Pytorch)

2、SSD网络的搭建

（1）推荐看up主之前的6.1ResNet网络结构和6.2使用Pytorch搭建ResNet并基于迁移学习训练

（2）python语法中对于索引是左闭右开的

（3）非关键字参数

3、Default box生成

计算时用的相对坐标。

4、Loss计算

（1）负样本的获取

对除正样本之外的default box计算highest confidence loss ，下面就是获取分类损失最大的两个default box的算法过程。

[0.3,0.1,……]是对应的分类损失，对其进行降序排列，获得索引[3,0,4,……]，在对该索引进行升序排列，得到索引的索引[1,3,4,……]，因为是取最大的2个，所以进行判断，得到[True,False,……],对比第一个列表和第四个列表，可以看到True对应的位置正好是损失最大的两个。即可获得获取分类损失最大的两个default box作为负样本。

5、后处理算法

（1）Batch NMS筛除低质量的框

原本筛框是对每一类的框分别进行NMS算法筛除，但是这样算法效率会比较低，根据pytorch官方给的可以进行如下操作：

如下第一行数值为四个框的左上角和右下角坐标，第二行为四个框的类别label。

第一步：找到所有坐标的最大值（0.6）

第二步：获得一个新的列表，列表数值为（max=0.6）

即[0,0,1.6,1.6]

第三步：让对应框的坐标加上上述列表数值，如[0.1,0.1,0.3,0.3]变为[0.1,0.1,0.3,0.3]；[0.4,0.1,0.5,0.2]变为[2,1.7,2.1,1.8]，即可将不同类的框分开

第四步：进行NMS处理

6、正负样本匹配

SSD正样本选取：（1）对每一个GT box找IOU最大的default box作为正样本；（2）对每一个default box，如果其与任意一个GT box的IOU的值大于0.5则认为为正样本。

如下表格是每一个default box与每一个GT box的IOU值。

算法步骤：

第一步：对于每一个DBox找IOU最大的GT（best_dbox_ious），并记录对应GT的索引（best_dbox_idx）

第二步：对于每一个GT找IOU最大的DBox（best_bbox_ious），并记录对应DBox的索引（best_bbox_idx）

第三步：将对应best_bbox_idx中索引位置的best_dbox_ious处的值变为2（只要比0.5大即可）

第四步：idx生成一个列表[0,1,2]，根据best_dbox_idx[best_bbox_idx[idx]]=idx，得到best_dbox_idx:[0,2,1,2,2]

这里是在根据best_bbox_idx修正DBox匹配的GT，比如在第一步DBox0匹配的是GT1，但在第二步GT0匹配到了DBox0，所以根据（1）对每一个GT box找IOU最大的default box作为正样本；应该将DBox0匹配给GT0，据此可进行修改。

感觉很神奇的样子，我还没搞懂内部逻辑，有没有人能解答一下？

Pytorch 搭建自己的SSD目标检测平台（Bubbliiiing 深度学习 教程）

P9：Dataset2（训练必看）数据集制作

自己制作标签，用到labelimg

学到了，不要乱改和要细心……用SSD训练自己的数据集的时候因为JPEGImages和JPEGlmages，硬是找了三个小时才发现这个错误……