“卧槽，又被 LYB 干了！” 背后传来一声哀嚎。
哈哈，看来，沉迷吃鸡的室友又被戒网瘾了。作为一个充满着正义的 LYB 的游戏，这人不长点眼力还真的不行啊。不过这时候一张图片吸引了我的兴趣：
网易《荒野行动》的车辆检测
能识别出视频中的汽车和人，这，不是外挂么？想到专业制裁 LYB 们的透视挂，这波我很强好吧。为探秘这 “外挂” 效果有多强，那我就来复现这个深度学习界的 “吃鸡挂”——SSD 目标检测。
SSD 目标检测介绍
SSD 是一种 Object Detection 方法。本文的源代码是基于论文 SSD: Single Shot MultiBox Detector（https://arxiv.org/abs/1512.02325 ），实现的 keras 版本。
该文章在既保证速度，又要保证精度的情况下，提出了 SSD 物体检测模型，与现在流行的检测模型一样，将检测过程整个成一个 single deep neural network。便于训练与优化，同时提高检测速度。 SSD 将输出一系列离散化（discretization）的 bounding boxes，这些 bounding boxes 是在不同层次（layers）上的 feature maps 上生成的，并且有着不同的 aspect ratio。
使用 RussellCloud 复现
做深度学习的，大家都知道最纠结的莫过于配置环境了。那么多框架那么多库那么多版本，稍有不注意，成倍的时间都花在踩坑上了。这在做复现的时候尤为明显，我不过是想跑一下别人的代码看看效果，结果完全搞不定。
使用 RussellCloud，轻松搞定环境问题，要啥，写个 requirement 就行了！
复现前准备：
-
注册 RussellCloud 账号
（注册邀请码可至论坛跟帖求助获取，每位已经注册的用户也有五枚好友邀请码）
-
安装 russell-cli 终端工具
$ sudo pip install -U russell-cli
-
Clone 项目代码，Git 地址 RussellCloud/SSD_keras
# clone代码 $ git clone https://github.com/RussellCloud/SSD_keras.git
使用命令行登录：
# 使用russell login命令 $ russell login
输入 y，网页登录后在网页端拷贝账户的 Token，粘贴进终端，回车。如果你使用 Windows 的命令行，可能会出现粘贴不进的情况，请右键窗口粘贴（或者点击左上角图标）。
成功登录输出：
Login Successful as XXX
新建项目：
来到 RussellCloud 主页，进入控制台，新建一个项目。项目名随便起一个，很多都可以不填，比较重要的是默认容器环境一定要选择：keras 。
RussellCloud 创建项目页
初始化项目：
项目创建完成后记得在项目主页复制概览 ID，用于项目初始化。
# 绑定远程项目，此处<project_id>是在网页上复制的项目概览 ID $ russell init --id <project_id>
初始化成功输出：
Project "XXX" initialized in current directory
运行项目：
初始化完成后我们就可以用 russell run 命令运行项目了，这里我们项目下实现的是一个 IPython Notebook 工程，所以我们要使用 Jupyter 模式来启动我们的项目。
# russell run 以Jupyter模式启动项目 $ russell run --mode jupyter --data df2750d1f1624857a27c7802494c6e39:model
成功运行 task 输出：
RUN ID NAME VERSION -------------------------------- ------------------ --------- 780a8e053f2244cb9ea03faabc9f2694 RussellCloud/ssd:1 1 Setting up your instance and waiting for Jupyter notebook to become available ... Path to jupyter notebook: http://cpu.russellcloud.com/notebook/780a8e053f2244cb9ea03faabc9f2694/ To view logs enter: russell logs 780a8e053f2244cb9ea03faabc9f2694
然后我们就会浏览器自动打开一个页面，这就进入到了我们的 Jupyter 环境下。
在线的 jupyter
然后我们可以看到我们所有的项目文件都展现在这个网页中了，当然我们还有挂载的 SSD_Weight 数据集在 / input/model 目录下没有显示出来。接下来我们就是打开这个 SSD.ipynb 开始运行啦！不过这里的代码有一些目录还还没有对应改好哦，所以我们这里按 cell 运行时候要及时查错，把相应的目录修改好。
成功运行完一遍，OK！
检测效果演示
小记
“小编你这不是耍我么，吃鸡挂呢？”
当然我是有做测试的啦！只是效果不太理想（哭脸）。先上两张图感受一下。
这两张图都是来源于《绝地求生：大逃杀》的官方宣传片。第一张图算是识别出了人，可是，你识别自己有啥用喂喂喂。虽然玩家面前还有另一个人开着一辆跑车疾驰而来，但是它并没有识别出来。第二张图，穿着吉利服的 LYB，结果确实识别出来是一个鸟…… 好吧这还看着是有点像个鸟头。
我这里做的都只是一个图片的目标检测。如果做视频的目标检测，我想它应该能识别出来那辆疾驰而来的车。至于这个吉利服选手，怕是识别不出来了哈哈哈。看来，这个 “吃鸡挂” 的功力还远远不够。
但在其他图片上，这个 SSD 目标检测还是有不错的效果的：
检测出来的小猫咪
转自：“卧槽，又被 LYB 干了！” 背后传来一声哀嚎。
哈哈，看来，沉迷吃鸡的室友又被戒网瘾了。作为一个充满着正义的 LYB 的游戏，这人不长点眼力还真的不行啊。不过这时候一张图片吸引了我的兴趣：
网易《荒野行动》的车辆检测
能识别出视频中的汽车和人，这，不是外挂么？想到专业制裁 LYB 们的透视挂，这波我很强好吧。为探秘这 “外挂” 效果有多强，那我就来复现这个深度学习界的 “吃鸡挂”——SSD 目标检测。
SSD 目标检测介绍
SSD 是一种 Object Detection 方法。本文的源代码是基于论文 SSD: Single Shot MultiBox Detector（https://arxiv.org/abs/1512.02325 ），实现的 keras 版本。
该文章在既保证速度，又要保证精度的情况下，提出了 SSD 物体检测模型，与现在流行的检测模型一样，将检测过程整个成一个 single deep neural network。便于训练与优化，同时提高检测速度。 SSD 将输出一系列离散化（discretization）的 bounding boxes，这些 bounding boxes 是在不同层次（layers）上的 feature maps 上生成的，并且有着不同的 aspect ratio。
使用 RussellCloud 复现
做深度学习的，大家都知道最纠结的莫过于配置环境了。那么多框架那么多库那么多版本，稍有不注意，成倍的时间都花在踩坑上了。这在做复现的时候尤为明显，我不过是想跑一下别人的代码看看效果，结果完全搞不定。
使用 RussellCloud，轻松搞定环境问题，要啥，写个 requirement 就行了！
复现前准备：
-
注册 RussellCloud 账号
（注册邀请码可至论坛跟帖求助获取，每位已经注册的用户也有五枚好友邀请码）
-
安装 russell-cli 终端工具
$ sudo pip install -U russell-cli
-
Clone 项目代码，Git 地址 RussellCloud/SSD_keras
# clone代码 $ git clone https://github.com/RussellCloud/SSD_keras.git
使用命令行登录：
# 使用russell login命令 $ russell login
输入 y，网页登录后在网页端拷贝账户的 Token，粘贴进终端，回车。如果你使用 Windows 的命令行，可能会出现粘贴不进的情况，请右键窗口粘贴（或者点击左上角图标）。
成功登录输出：
Login Successful as XXX
新建项目：
来到 RussellCloud 主页，进入控制台，新建一个项目。项目名随便起一个，很多都可以不填，比较重要的是默认容器环境一定要选择：keras 。
RussellCloud 创建项目页
初始化项目：
项目创建完成后记得在项目主页复制概览 ID，用于项目初始化。
# 绑定远程项目，此处<project_id>是在网页上复制的项目概览 ID $ russell init --id <project_id>
初始化成功输出：
Project "XXX" initialized in current directory
运行项目：
初始化完成后我们就可以用 russell run 命令运行项目了，这里我们项目下实现的是一个 IPython Notebook 工程，所以我们要使用 Jupyter 模式来启动我们的项目。
# russell run 以Jupyter模式启动项目 $ russell run --mode jupyter --data df2750d1f1624857a27c7802494c6e39:model
成功运行 task 输出：
RUN ID NAME VERSION -------------------------------- ------------------ --------- 780a8e053f2244cb9ea03faabc9f2694 RussellCloud/ssd:1 1 Setting up your instance and waiting for Jupyter notebook to become available ... Path to jupyter notebook: http://cpu.russellcloud.com/notebook/780a8e053f2244cb9ea03faabc9f2694/ To view logs enter: russell logs 780a8e053f2244cb9ea03faabc9f2694
然后我们就会浏览器自动打开一个页面，这就进入到了我们的 Jupyter 环境下。
在线的 jupyter
然后我们可以看到我们所有的项目文件都展现在这个网页中了，当然我们还有挂载的 SSD_Weight 数据集在 / input/model 目录下没有显示出来。接下来我们就是打开这个 SSD.ipynb 开始运行啦！不过这里的代码有一些目录还还没有对应改好哦，所以我们这里按 cell 运行时候要及时查错，把相应的目录修改好。
成功运行完一遍，OK！
检测效果演示
小记
“小编你这不是耍我么，吃鸡挂呢？”
当然我是有做测试的啦！只是效果不太理想（哭脸）。先上两张图感受一下。
这两张图都是来源于《绝地求生：大逃杀》的官方宣传片。第一张图算是识别出了人，可是，你识别自己有啥用喂喂喂。虽然玩家面前还有另一个人开着一辆跑车疾驰而来，但是它并没有识别出来。第二张图，穿着吉利服的 LYB，结果确实识别出来是一个鸟…… 好吧这还看着是有点像个鸟头。
我这里做的都只是一个图片的目标检测。如果做视频的目标检测，我想它应该能识别出来那辆疾驰而来的车。至于这个吉利服选手，怕是识别不出来了哈哈哈。看来，这个 “吃鸡挂” 的功力还远远不够。
但在其他图片上，这个 SSD 目标检测还是有不错的效果的：
检测出来的小猫咪
转自：“卧槽，又被 LYB 干了！” 背后传来一声哀嚎。
哈哈，看来，沉迷吃鸡的室友又被戒网瘾了。作为一个充满着正义的 LYB 的游戏，这人不长点眼力还真的不行啊。不过这时候一张图片吸引了我的兴趣：
网易《荒野行动》的车辆检测
能识别出视频中的汽车和人，这，不是外挂么？想到专业制裁 LYB 们的透视挂，这波我很强好吧。为探秘这 “外挂” 效果有多强，那我就来复现这个深度学习界的 “吃鸡挂”——SSD 目标检测。
SSD 目标检测介绍
SSD 是一种 Object Detection 方法。本文的源代码是基于论文 SSD: Single Shot MultiBox Detector（https://arxiv.org/abs/1512.02325 ），实现的 keras 版本。
该文章在既保证速度，又要保证精度的情况下，提出了 SSD 物体检测模型，与现在流行的检测模型一样，将检测过程整个成一个 single deep neural network。便于训练与优化，同时提高检测速度。 SSD 将输出一系列离散化（discretization）的 bounding boxes，这些 bounding boxes 是在不同层次（layers）上的 feature maps 上生成的，并且有着不同的 aspect ratio。
使用 RussellCloud 复现
做深度学习的，大家都知道最纠结的莫过于配置环境了。那么多框架那么多库那么多版本，稍有不注意，成倍的时间都花在踩坑上了。这在做复现的时候尤为明显，我不过是想跑一下别人的代码看看效果，结果完全搞不定。
使用 RussellCloud，轻松搞定环境问题，要啥，写个 requirement 就行了！
复现前准备：
-
注册 RussellCloud 账号
（注册邀请码可至论坛跟帖求助获取，每位已经注册的用户也有五枚好友邀请码）
-
安装 russell-cli 终端工具
$ sudo pip install -U russell-cli
-
Clone 项目代码，Git 地址 RussellCloud/SSD_keras
# clone代码 $ git clone https://github.com/RussellCloud/SSD_keras.git
使用命令行登录：
# 使用russell login命令 $ russell login
输入 y，网页登录后在网页端拷贝账户的 Token，粘贴进终端，回车。如果你使用 Windows 的命令行，可能会出现粘贴不进的情况，请右键窗口粘贴（或者点击左上角图标）。
成功登录输出：
Login Successful as XXX
新建项目：
来到 RussellCloud 主页，进入控制台，新建一个项目。项目名随便起一个，很多都可以不填，比较重要的是默认容器环境一定要选择：keras 。
RussellCloud 创建项目页
初始化项目：
项目创建完成后记得在项目主页复制概览 ID，用于项目初始化。
# 绑定远程项目，此处<project_id>是在网页上复制的项目概览 ID $ russell init --id <project_id>
初始化成功输出：
Project "XXX" initialized in current directory
运行项目：
初始化完成后我们就可以用 russell run 命令运行项目了，这里我们项目下实现的是一个 IPython Notebook 工程，所以我们要使用 Jupyter 模式来启动我们的项目。
# russell run 以Jupyter模式启动项目 $ russell run --mode jupyter --data df2750d1f1624857a27c7802494c6e39:model
成功运行 task 输出：
RUN ID NAME VERSION -------------------------------- ------------------ --------- 780a8e053f2244cb9ea03faabc9f2694 RussellCloud/ssd:1 1 Setting up your instance and waiting for Jupyter notebook to become available ... Path to jupyter notebook: http://cpu.russellcloud.com/notebook/780a8e053f2244cb9ea03faabc9f2694/ To view logs enter: russell logs 780a8e053f2244cb9ea03faabc9f2694
然后我们就会浏览器自动打开一个页面，这就进入到了我们的 Jupyter 环境下。
在线的 jupyter
然后我们可以看到我们所有的项目文件都展现在这个网页中了，当然我们还有挂载的 SSD_Weight 数据集在 / input/model 目录下没有显示出来。接下来我们就是打开这个 SSD.ipynb 开始运行啦！不过这里的代码有一些目录还还没有对应改好哦，所以我们这里按 cell 运行时候要及时查错，把相应的目录修改好。
成功运行完一遍，OK！
检测效果演示
小记
“小编你这不是耍我么，吃鸡挂呢？”
当然我是有做测试的啦！只是效果不太理想（哭脸）。先上两张图感受一下。
这两张图都是来源于《绝地求生：大逃杀》的官方宣传片。第一张图算是识别出了人，可是，你识别自己有啥用喂喂喂。虽然玩家面前还有另一个人开着一辆跑车疾驰而来，但是它并没有识别出来。第二张图，穿着吉利服的 LYB，结果确实识别出来是一个鸟…… 好吧这还看着是有点像个鸟头。
我这里做的都只是一个图片的目标检测。如果做视频的目标检测，我想它应该能识别出来那辆疾驰而来的车。至于这个吉利服选手，怕是识别不出来了哈哈哈。看来，这个 “吃鸡挂” 的功力还远远不够。
但在其他图片上，这个 SSD 目标检测还是有不错的效果的：
检测出来的小猫咪
转自：http://blog.csdn.net/Y0W1as5eg37urFdS/article/details/79033569
