SSD（Single Shot MultiBox Detector）算是一个比较不错的目标检测算法，主攻方向是速度，当然精度也比Yolo提高了一些 SSD采用的是在caffe文件夹中内嵌例程的方式，作者改动了原版caffe，所以你需要把原来的caffe文件夹移除，Git命令会新建一个带有SSD程序的caffe文件夹，当然，这个新的caffe要重新编译一次。
1 下载
将原有的caffe文件夹改名，比如caffe-pure
git clone https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd
或者直接下载ssd分支，文件夹名字为caffe-ssd，不需要checkout
2 编译
按照正常caffe的修改和编译方法进行
make -j16
make py
make test -j16
make runtest -j16
3 训练模型
3.1 下载已经训练好的模型
https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6 将其放入新建的文件夹/home/mx/caffe/models/VGGNet/
3.2 下载voc2007和voc2012数据集
cd ~/data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
这里用的脚本实现批处理，可能会出现错误：no module named caffe或者no module named caffe-proto，那是caffe的Python环境变量未配置好，解决方法：
echo "export PYTHONPATH=/home/weiguang/caffe-ssd/python" >> ~/.profile
source ~/.profile
echo $PYTHONPATH #检查环境变量的值
3.3 下载后按顺序解压
cd ~/caffe-ssd/ #进入caffe的根目录
./data/VOC0712/create_list.sh
./data/VOC0712/create_data.sh
3.4 下载预训练的模型
https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6 将该模型保存到$CAFFE_ROOT/models/VGGNet下
3.5 训练模型
为了避免Check failed: error == cudaSuccess (10 vs. 0) invalid device ordinal vim examples/sd/ssd_passcal.py 将gpus = “0,1,2,3” gpus = “0” 为了避免error == cudaSuccess (2 vs. 0) out of memory 将batch_size 调小，比如 由32改为8
python examples/ssd/ssd_pascal.py
摄像头实时监测
python examples/ssd/ssd_pascal_webcam.py
4 训练自己的数据
在/data目录下创建一个自己的文件夹：
cd ~/caffe-ssd/data/
mkdir mydataset
把~/caffe-ssd/data/VOC0712目录下的create_list.sh 、create_data.sh、labelmap_voc.prototxt 这三个文件拷贝到/mydataset下：
cp data/create* ./mydataset
cp data/label* ./mydataset #labelmap_voc.prototxt, 此文件定义label
在~/data/VOCdevkit目录下创建mydataset, 并放入自己的数据集:
cd ~/data/VOCdevkit
mkdir mydataset
cd mydataset
mkdir Annotations ImageSets JPEGImages
cd ImageSets
mkdir Layout Main Segmentation
其中 Annotations中存放一些列XML文件，包含object的bbox，name等； ImageSets中三个子目录下均存放train.txt, val.txt, trainval.txt, test.txt这几个文件，文件内容为图片的文件名（不带后缀）； JPEGImages存放所有的图片；
在~/caffe-ssd/examples下创建mydataset文件夹：mkdir mydataset 文件夹内存放生成的lmdb文件。
上述文件夹创建好后， 开始生成lmdb文件, 在创建之前需要修改相关路径：
./data/mydataset/create_list.sh
./data/mydataset/create_data.sh
此时，在~/caffe-ssd/examples/mydataset/文件夹下可以看到两个子文件夹, mydataset_trainval_lmdb, mydataset_test_lmdb；里面均包含data.dmb和lock.dmb;
到此为止,我们的数据集就做好了。接下来就开始训练了。训练程序为/examples/ssd/ssd_pascal.py，运行之前，我们需要修改相关路径代码：
vim ~/caffe-ssd/examples/ssd/ssd_pascal.py
57行： train_data路径； 59行：test_data路径； 197-203行：save_dir、snapshot_dir、job_dir、output_result_dir路径； 216-220行： name_size_file、label_map_file路径； 223行：num_classes 修改为1 + 类别数 315行：num_test_image：测试集图片数目 另外， 如果你只有一个GPU, 需要修改285行： gpus=”0,1,2,3” ===> 改为”0” 否则，训练的时候会出错。
修改完后运行
python ./examples/ssd/ssd_pascal.py