本人使用扩充的KITTI数据集训练Mobilenet-SSD，折腾了一周，精度才只有52%左右，而且训练速度比VGG的慢一些。我感觉不应该这么低，至少也应该有65%吧，暂时没有找到问题的根源在哪里，如果有同学也拿这个训练且效果很好，请告知，不胜感激！

更新：考虑到Mobilenet特征提取能力有限，最近试验将分辨率提升至416*416（速度降低很少），然后使用仅含4类目标（通过脚本提取）的COCO预训练模型，初始学习率为0.001，根据损失值和精度调整后续学习率，迭代50000次后，目前精度提升到62.8%。

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，前一章中，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。

首先克隆项目：

$ git clone https://github.com/yonghenglh6/DepthwiseConvolution.git

注意到项目中的caffe文件夹，将其中的depthwise_conv_layer.hpp，depthwise_conv_layer.cpp和depthwise_conv_layer.cu这三个文件放到SSD（即caffe）的相应位置中，这里的操作是从基础卷积类中派生了深度卷积这个类，此处并不需要对caffe.proto文件进行修改。稍后，需要重新编译Caffe，这样才能识别新增的depthwise convolution layer。

接下来我们需要修改MobileNetSSD_deploy.prototxt，将其中所有名为convXX/dw（XX代指数字）的type从”Convolution”替换成”DepthwiseConvolution”，总共需要替换13处，从conv1/dw到conv13/dw，然后把“engine: CAFFE”都注释掉，这个新的网络文件可以另存为MobileNetSSD_deploy_depth.prototxt。在运行网络的时候，caffemodel模型不用动，只需要指定新的prototxt文件和含有depthwise convolution layer的Caffe即可。

为了验证效果，我们使用demo.py脚本来测试网络的平均运行时间，运行模式设置为gpu，在demo.py文件中添加和time相关的代码：

import time
def detect(imgfile):
    net.blobs['data'].data[...] = img
    start=time.time() # time begin
    out = net.forward()  
    use_time=time.time()-start # proc time  
    print("time="+str(use_time)+"s") 
笔记本电脑显卡是GTX 850m，对于默认的7张检测图片，VGG-SSD，Mobilenet-SSD（group）和Mobilenet-SSD（depth）的平均检测时间为：
 
Model
Inference time
VGG-SSD
107ms
MobileNet-SSD(group)
62ms
MobileNet-SSD(depth)
17ms
 
如果我们使用Caffe自带的time工具，结果也是差不多的：
 
 
$ cd ~/caffe
 
 
$ ./build/tools/caffe time -gpu 0 -model examples/mobilenet/XXXX.prototxt 
 
 
 
I1219 20:09:24.062338 10324 caffe.cpp:412] Average Forward pass: 109.97 ms. # VGG-SSD
 
 
I1219 20:09:47.771399 10343 caffe.cpp:412] Average Forward pass: 57.4238 ms. # Mobilenet-SSD（group）
 
 
I1219 20:10:25.145504 10385 caffe.cpp:412] Average Forward pass: 16.39 ms. # Mobilenet-SSD（depth）
 
 
可以看到，depthwise convolution layer是有效的，运行时间快了五六倍之多。然后，博主在Jetson TX1上也如法炮制，得到的检测时间如下：
 
I1219 22:08:15.236963  2210 caffe.cpp:412] Average Forward pass: 57.3939 ms.
 
意味着TX1上Mobilenet-SSD能达到17帧左右，这离真正的real-time又近了一步
                    转自：http://blog.csdn.net/Jesse_Mx/article/details/78680055墙裂推荐，自己就不写了，转载一下~mobilenet 也算是提出有一段时间了，网上也不乏各种实现版本，其中，谷歌已经开源了Tensorflow的全部代码；单纯的Mobilenet分类不是关注重点，如何将其应用到目标检测网络才是关键，目前基本看好的思路就是Mobilenet+...
				
name: "MobileNet-SSD"     //##表示名称，可随意取
input: "data"            // ##定义input名为data
input_shape {              
  dim: 1                  //##batch_size=1
  dim: 3                  //##num_channels=3
				
先引出题目，占个坑，以后慢慢填。
mobilenet 也算是提出有一段时间了，网上也不乏各种实现版本，其中，谷歌已经开源了Tensorflow的全部代码，无奈自己几乎不熟悉Tensorflow，还是比较钟爱Caffe平台，因而一直在关心这方面。
单纯的Mobilenet分类不是关注重点，如何将其应用到目标检测网络才是关键，目前基本看好的思路就是Mobilenet+SSD，github上已经有至
				
在本教程中，您将学习如何将 OpenCV 的“深度神经网络”(DNN) 模块与 NVIDIA GPU、CUDA 和 cuDNN 结合使用，以将推理速度提高 211-1549%。  
   早在 2017 年 8 月，我发表了我的第一个关于使用 OpenCV 的“深度神经网络”（DNN）模块进行图像分类的教程。
    PyImageSearch 的读者非常喜欢 OpenCV 的 dnn 模块的便利性和易用性，因此我继续发布有关 dnn 模块的其他教...
# USAGE
# python deep_learning_object_detection.py --image 0.jpg \
#    --prototxt MobileNetSSD_deploy.prototxt --model MobileNetSSD_deploy.caffemodel
# import the necessary packages
import numpy as np
import argparse
import cv2
# con
				
之前实习用过太多次mobilenet_ssd，但是一直只是用，没有去了解它的原理。今日参考了一位大神的博客，写得很详细，也很容易懂，这里做一个自己的整理，供自己理解，也欢迎大家讨论。
先整理MobileNet 
这里奉上大神的博客地址：https://blog.csdn.net/u013082989/article/details/77970196 
论文地址：MobileNets: Effic...