TX2+TensorRT+DIGITS实现图像的识别、检测和分割---4---目标检测（一）

Creating DetectNet Model with DIGITS

TensorRT下载地址：https://developer.nvidia.com/nvidia-tensorrt-download
TesnsoRT介绍文档：https://devblogs.nvidia.com/tensorrt-3-faster-tensorflow-inference/
TensorRT开发者指南：http://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html
TensorRT样例代码：http://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html#samples

当上一步的数据处理完，返回到主页上面。选择Models，然后选择New Model里面的Object Detection：

按照下面的内容设置你的表单中的内容：
• Select Dataset: coco-dog
• Training epochs: 100
• Subtract Mean: none
• Solver Type: Adam
• Base learning rate: 2.5e-05
• Select Show advanced learning options
o Policy: Exponential Decay
o Gamma: 0.99

Selecting DetectNet Batch Size

DetectNet的默认设置batch size是10，训练时会消耗大概12GB的内存空间。利用 Batch Accumulation 方法，可以在一个GPU上进行训练，不用占用12GB那么多的内存空间。下面的表格可以查看对应的Batch Size占用的GPU内存空间。

如果您的GPU卡有12GB，您可直接设置默认大小的Batch Size而不用设置 Batch Accumulation 。如果您想用更少的GPU或者GPU内存，您可以按照上面的进行设置。

Specifying the DetectNet Prototxt

在网络模型定义方面，我们选择Custom Network 来自定义修改网络。在我们的例子中，我们可以复制粘贴detectnet.prototxt里面的内容。

DetecNet prototxt 在data/networks/detectnet.prototxt。

Training the Model with Pretrained Googlenet

因为DetectNet是有GoogleNet衍生出来的，所以强烈推荐使用GoogleNet作为预训练权重，这样会保证训练的速度和稳定。下载GoogleNet模型，或者用下面的命令下载：

wget http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel

然后在Prertrained Model 选项里指定下载的GoogleNet的路径。

选择一个GPU来训练，然后填好Model Name和Group Name:

• Group Name MS-COCO
• Model Name DetectNet-COCO-Dog

最后，点击页面最下面的Create按钮：

Testing DetectNet Model Inference in DIGITS

让训练工作跑一段时间，比如50个epochs，直到mAP（Mean Average Precision）的曲线开始上升。注意，由于mAP的计算室友DetecNet的损失函数完成的，所以mAP的变化区域不一定是0~100，就算是5或者10，这个模型也是可以用的。在训练COCO这个量级的数据的时候，可能需要利用GPU跑几个小时才能完成。

训练完成之后，我们可以再训练的这个页面测试一下我们训练好的模型。在这个页面，我们看最下面，在Visualization里面选择Bounding boxes，然后在下面的Image Path里面输入您想要测试的图片（我们这里的例子是：/coco/val/images/dog/000074.png）：

然后点击测试按钮，您就会看到如下界面：