前情提要
此系列博客记录我从创建，训练，数据集，验证模型的检测精度等的全部踩坑过程，遇到的问题以及解决方法，留下点东西，作为自己这段时间学习的总结，如果能对他人有些帮助就更好了。
环境
系统：Windows10
GPU：GTX1660Ti
CUDA：11.0
pytorch：1.6.0
训练过程中可以使用GPU加速，要安装对应自己显卡版本的CUDA，官网可查。不用的话只使用自己的CPU，速度会比较慢。
如果你的显卡不是N卡，或者N卡算力比较低，可以利用谷歌的colab完成训练，注意这个是基于linux的，本文写的都是基于windows的，部分细节可能不同
pytorch环境安装即SSD-pytorch代码下载
点击链接登陆pytorch官网根据电脑的操作系统配置选择安装（pytorch需要python3以上的版本）：
http://pytorch.org/ SSD-Pytorch代码链接：
https://github.com/amdegroot/ssd.pytorch
SSD中使用到了VGG 特征提取网络，训练的时候需要加载：
https://s3.amazonaws.com/amdegroot-models/vgg16_reducedfc.pth
准备自己的数据集
ssd可以用VOC和COCO两种数据集，这里以VOC为例子。
1.背景介绍
VOC数据集的目录结构。其下主要包含以下几个目录：Annotations、ImageSets、JPEGImages。
Annotations：存放xml为结尾的文件，即在一张图片中用一定的坐标范围指出某个物体，并存放标签信息，后面会细说如何创建。
JPEGImages：存放训练和验证的图片
ImageSets：目录下有个Main文件夹，后面细说。
2.步骤
1.首先将你的图片放到JPEGImages文件夹下，重命名进行按顺序编号，比如001，002，003这样。
2.在Annotations文件夹生成图片的中物体坐标的xml文件，xml文件的名称与图片名称相同。(一定要每一张都仔细相对应，我曾弄到最后发现少一个，只能回去一个个重新校对)。
可以使用LabelImage软件来生成，操作简单界面清晰。
下载地址：
https://github.com/tzutalin/labelImg#macos
！！！！
但是我安装完之后，labelimg执行.py文件后无图像化界面出现，软件打不开，我又重新浏览了一下源码下载网站，发现了一个预编译好的二进制文件。
解压完之后直接运行可执行文件。
可以用，舒服了。
之后就是对一堆图片的漫长的标注过程，完成后即可进行下一步。
3.下一步生成Main文件下的四个文件（test.txt , train.txt, val.txt ,trainval.txt），这里可以在写相关的脚本来生成，我放一个。
import os
import random
trainval_percent = 0.8
train_percent = 0.7
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)
ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')
for i in list:
name=total_xml[i][:-4]+'\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest .close()这个文件放在Imageset同级目录下，或者把上面的路径换成绝对路径，不然找不到路径。
上述步骤之后，就创建了一个可以使用的VOC数据集了，下篇文章将介绍实现训练的过程。
