基于SSD的CCTSDB交通标识数据集目标检测_cctsdb数据集

        先看下整体效果：

项目整体如下所示：

一般做目标检测类的项目，实现自己的个性化数据集上面的检测功能，一般我都会选择基于预训练的模型权重来进行后续的微调，这样收敛会更快，模型的检测效果也会更好，这里也不例外，同样是遵循“预训练权重+微调”的构建思想。

backbone选择的是resnet50来帮助模型提取主要的语义特征信息，这里使用到的resnet50的模型权重如下所示：

        下载地址如下：

ResNet50+SSD: 
链接:https://pan.baidu.com/s/1byOnoNuqmBLZMDA0-lbCMQ 
提取码:iggj 

        这里我整理了一下汇总的资料，CCTSDB数据集介绍如下：

    CSUST Chinese Traffic Sign Detection Benchmark 中国交通数据集由长沙理工大学综合交通运输大数据智能处理湖南省重点实验室张建明老师团队制作完成。
    
    到目前为止，已经上传图像15734张，全部的groundtruth也已经上传。 声明：目前的标注数据只有三大类：指示标志、禁止标志、警告标志。
 
    具体的细分类标准数据集，由于还在制作，暂时将不会公布，请大家关注我们的后续更新！
 
    大家如果下载做研究实验，请尽量引用我们的文章，务必引用： Jianming Zhang, Zhipeng Xie, Juan Sun, Xin Zou, Jin Wang. A cascaded R-CNN with multiscale attention and imbalanced samples for traffic sign detection. IEEE Access, 2020, DOI: 10.1109/ACCESS.2020.2972338.

       数据相关信息如下：

## 论文地址
    https://doi.org/10.3390/a10040127
![baidunetdisk](results/paper.png) 
 
 
## Github仓库
    https://github.com/csust7zhangjm/CCTSDB
![baidunetdisk](results/github.png) 
 
 
## 百度网盘链接
    https://pan.baidu.com/s/1Swb48BppUJtuE3QeCcd4Yw  
    提取码：rv4s

       论文：

        官方Git仓库地址在这里，截图如下所示：

       百度网盘：

          本文用到的模型结构图如下所示：

           执行train_ssd300.py即可启动模型训练，计算量较大最好使用GPU来加速计算。

          原始数据截图如下：

         训练完成后对loss和lr进行可视化，如下所示：

        mAP指标计算如下：

         最后简单看几张结果实例，如下所示：