目标检测：Mobilenet-SSD实现
1.引言
众所周知，mobilenet以快著称。所以单一的Mobilenet分类不是关注重点，如何将其应用到目标检测领域才是关键，本文重点研究：Mobilenet+SSD实现。
Mobilenet的速度是很快的，如果配上Depthwise layer，在TitanX应该能达到150fps，如果能将检测精度提升到70%以上，将会是一个很好的检测网络。
2.实现
GitHub项目地址：https://github.com/chuanqi305/MobileNet-SSD
chuanqi大神在Caffe平台上初步实现了Mobilenet-SSD
模型分析
通过分析Mobilenet的模型结构和MobileNet-SSD的模型结构， 可以看出，conv13是骨干网络的最后一层，作者仿照VGG-SSD的结构，在Mobilenet的conv13后面添加了8个卷积层，然后总共抽取6层用作检测，没有使用分辨率为38*38的层。
网络复现
1. 本机配置
Ubuntu16.04
CUDA 8.0 & CUDNN5.1
python2.7
caffe-ssd
opencv3.1
2.具体实现
项目既然叫MobileNet-SSD，那首先要求能正常运行基础版本的SSD
（1）安装caffe-ssd
（2）下载MobileNet-SSD
（3）将MobileNet-SSD放入caffe-ssd中examples文件夹中
（4）下载模型或自己训练产生模型
基本过程如下：
克隆项目：
$ git clone https://github.com/chuanqi305/MobileNet-SSD.git可以在主目录（/home目录）下得到MobileNet-SSD文件夹，其中重要文件简介如下：
- template 存放4个网络定义的公用模板，可以由gen.py脚本修改并生成
- MobileNetSSD_deploy.prototxt 运行网络定义文件
- solver_train.prototxt 网络训练超参数定义文件
- solver_test.prototxt 网络测试超参数定义文件
- train.sh 网络训练脚本
- test.sh 网络测试脚本
- gen_model.sh 生成自定义网络脚本（调用template文件夹内容）
- gen.py 生成公用模板脚本（暂不用）
- demo.py 实际检测脚本（图片存于images文件夹）
- merge_bn.py 合并bn层脚本，用于生成最终的caffemodel
接下来下载已经训练好的caffemodel放入项目文件夹：
模型下载地址：https://pan.baidu.com/s/1sln2cUx
最后打开demo.py脚本，根据个人情况修改以下路径：
caffe_root = '/home/yaochuanqi/ssd/caffe/'
net_file= 'MobileNetSSD_deploy.prototxt'
caffe_model='MobileNetSSD_deploy.caffemodel'
test_dir = "images"然后运行demo.py脚本：
./demo.py之后就可以看到检测结果了，检测截图如下：
当然，模型训练，我们也可以用自己的数据集来训练这个MobileNet-SSD模型。
Mobilenet使用Depthwise Layer
理论上Mobilenet的运行速度应该是VGGNet的数倍，但实际运行下来并非如此，即使是合并bn层后的MobileNet-SSD也只比VGG-SSD快那么一点点，主要的原因是Caffe中暂时没有实现depthwise convolution，目前都是用的group。这里group相当于一个for循环，需要依次计算，如果能使用深度卷积，那就可以一次性计算完，节省不少时间。
经过大量实验，终于找到能让mobilenet加速的方法，项目地址：DepthwiseConvolution：https://github.com/yonghenglh6/DepthwiseConvolution, 十分感谢该项目作者。
用上了depthwise convolution layer，对于mobilenet的提速十分明显，可以说是立竿见影。
