Faster-RCNN训练自己的数据集

最新推荐文章于 2025-07-13 16:33:53 发布
原创 最新推荐文章于 2025-07-13 16:33:53 发布 · 1.9w 阅读 · 61 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#fasterRCNN #RCNN #VOC2007 #python #数据集

本文介绍了如何使用Python将个人数据集转换为VOC2007格式，以便训练Faster-RCNN。主要内容包括统一图片命名、使用标注工具创建txt文件、生成XML注释文件、制作ImagesSetMain的txt文件，以及解决训练过程中的边界框问题。

就目前我在了解到的资料来看，训练RCNN系列，一般有两种思路：

  • 修改CNN的工程代码，适应自己的数据集格式
  • 将自己的数据格式做成VOC2007形式的数据集

从工作量来看，无疑后者更容易一些，本文的思路也是如此。

  1. 首先是图片的命名格式，虽然图片的命名理论上不会影响训练。因为训练的数据都是从txt文件中读取图片的名称。但是为了统一数据集，仍然建议批量、有规律的命名数据图片。

    我的数据集是jpg格式，和PASCAL_VOC2007一样。将图片置于同一个文件夹中，然后运行一段python代码即可。

    代码见文末

  2. 命名之后，就可以进行标注了。我借用了一个网上的标注工具，windows7下运行良好，可惜没放出源码，无法学习交流。

    • 标注工具得到了一份标注的集合的txt文件，记录图片和标注信息

      这里写图片描述

  3. 上述都是准备工作，然后就可以制作VOC格式的数据集了。总体来看，VOC格式的数据集格式如下：

    ---VOC2007
------Annotations
------ImagesSet
---------Main
-
最低0.47元/天 解锁文章

新学期VIP享超值加赠
faster-rcnn 训练自己的数据集
reset2021的博客
07-16 2435
faster rcnn 训练自己的数据集
faster Rcnn训练自己的数据集
july_zx的博客
03-23 734
faster Rcnn训练自己的数据集
Faster RCNN训练自己的数据集（自用）
qq_57030255的博客
10-28 2639
中，运行如下代码，生成Main文件夹中的train.txt和val.txt，切记文件存放格式和文件夹名字一定要完全一样！在代码中需要修改files_path、val_rate、train_f和eval_f。生成的Main文件夹中的两个txt文件内容是。上述代码需要修改的地方就是。图片的名字去掉.jpg后缀。相关文件地址，如下图所示。（根据个人硬件性能调整）中，xml标签文件放到。
Caffe学习系列——Faster-RCNN训练自己的数据集
热门推荐
CV_adventurer的博客
05-29 3万+
2016-10-23 Deep Learning►Caffe Caffe学习系列——6使用Faster-RCNN进行目标检测 Contents 1. 配置与运行Demo 1.1. 1.配置、编译与安装环境1.2. 2.运行demo1.3. 3.训练PASCAL VOC 2007的数据集1.4. 4.遇到的问题 2. 使用Faster-RCNN训
Faster R-CNN VGG16模型实战：目标检测深度学习应用
最新发布
weixin_32324637的博客
07-13 295
在计算机视觉领域，目标检测是识别和定位图像中物体的关键任务。Faster R-CNN作为这一领域的突破性模型，自2015年由Shaoqing Ren等人提出以来，已成为后续研究和应用的重要基础。Faster R-CNN将区域提议网络（Region Proposal Network，RPN）和基于区域卷积神经网络（Region-based Convolutional Neural Network, R-CNN）的目标检测框架相结合，实现了端到端的训练过程。
Faster_rcnn训练自己的数据集
xjz18298268521的博客
09-27 5917
在看了一些深度学习的目标检测的论文后，想着去用开源的代码去跑一下，看看实际的效果。于是小菜就想着直接把faster_rcnn用起来，包括前期的faster_rcnn安装和配置并运行其中的一个demo.py。后面是用自己的数据集训练faster_rcnn的模型。 　1. 准备工作： 1) 搭建caffe框架这个可以参考linux先搭建caffe的笔记。 2) 安装第三方依赖包：Cytho
faster rcnn在自己的数据集上训练
生如蚁，美如神
11-13 1664
本文是一个总结，参考了网上的众多资料，汇集而成，以供自己后续参考。 一般说来，训练自己的数据，有两种方法：第一种就是将自己的数据集完全改造成VOC2007的形式，然后放到py-faster-rcnn/data 目录下，然后相应地改变相应模型的参数，比如种类等。 data目录下存放的数据如下： VOCdevkit2007 └── VOC2007 ├── Annotations │
Faster R-CNN（Tensorflow版） 训练自己的数据集
ytusdc的博客
05-22 1万+
源码地址：https://github.com/smallcorgi/Faster-RCNN_TF 我自己做的数据集和voc的格式一样，所以只修改classes 里的类别就好。1、/Faster-RCNN_TF/lib/datasets/pascal_voc.py      self._classes 修改为自己数据的类2、/Faster-RCNN_TF/lib/networks/VGGnet_t...
faster-rcnn-tf2:这是一个faster-rcnn的tensorflow2实现的库，可以利用voc数据集格式的数据进行训练
05-10
训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 - - 77.5 所需环境 tensorflow-gpu==2.2.0 文件下载 训练所需的voc_weights.h5可以去百度网盘下载 链接: 提取码: 92e8 ...
Faster-RCNN_KITTI数据集上的车辆行人检测_Faster-RCNN.zip
09-15
具体来说，Faster-RCNN在KITTI数据集的应用涉及到了数据预处理、模型训练、网络配置、性能评估等环节。数据预处理包括对图像进行标注，提取出车辆和行人的精确位置。模型训练则需要构建一个适合于该任务的深度学习...
mmdetection使用Faster-RCNN训练自己的coco格式数据集
lkxxxxxx的博客
04-25 1559
6.在mmdet/datasets/coco.py中修改自己的数据集类别名称，在mmdet/evaluation/functional/class_names.py中修改自己的类别。4.在mmdet/configs/_base_/datasets/coco_detection.py中修改自己的数据集路径和训练图片的imgsz。3.进入configs/_base_/models/faster-rcnn_r50_fpn.py，修改num_classes为自己的类别数。
Faster-Rcnn训练自己数据集+计算MAP
weixin_42990953的博客
04-07 5990
本文记录在实现Faster-rcnn训练自己数据集的过程，以及计算map。数据集为kaggle地铁安检违禁品X光射线图片。运行环境：win10，1660Ti，keras2.1.5，tensorflow:1.13.1 1.训练 内容来自博客https://blog.youkuaiyun.com/weixin_44791964/article/details/104451667，使用代码为该博主原创，进行一定修改...
Faster-RCNN+ZF制作自己的数据集和训练模型完整文件及教程(Matlab版本）
07-09
Faster-RCNN+ZF制作自己的数据集和训练模型完整文件及教程(Matlab版本），内含详细的完整配置及操作过程。
Faster-Rcnn训练自己的数据集
YouthDance
11-28 1909
http://blog.youkuaiyun.com/mydear_11000/article/details/70241139 http://blog.youkuaiyun.com/sinat_30071459/article/details/51332084 http://blog.youkuaiyun.com/zchang81/article/details/70238591 https://github.com/rbgi
Faster RCNN 训练自己的数据集
Apple__fly的博客
06-19 4247
Faster RCNN 训练自己的数据集
FasterRCNN训练自己的数据集
Python_Ai_Road的博客
05-21 7642
2016年提出的Faster RCNN目标检测模型是深度学习现代目标检测算法的开山之作，也是第一个真正全流程都是神经网络的目标检测模型。其主要步骤如下：1，使用CNN对输入图片提取feature map.2，对feature map上的每个点设计一套不同大小和长宽比的anchor作为先验框。3，设计RPN网络从大量的anchor中筛选出一些作为目标框的proposals并用回归分支纠正它们的位置。...
Faster RCNN训练自己的数据集
2303_77556729的博客
09-24 1741
在VOCdevkit\VOC2007\ImageSets\Main文件夹下生成四个txt文件，train.txt，val.txt， trainval.txt和test.txt。1.修改主目录下的frcnn.py的参数，使用训练好best_epoch_weights.py作为权重，自己的类别文件，训练时的主干网络（我使用的是vgg）1.找到model_data/voc_classes.txt，修改为自己的类别。2.修改predict.py文件的验证模式，这里我选择的是验证文件下的图片。
在 Faster R-CNN 上训练自己的数据集
dear_jing的博客
04-28 2677
下载了 Faster R-CNN 代码，并用 DOTA 数据集作为训练和测试数据集，验证在 Faster R-CNN 上的精度。
使用Faster RCNN训练自己的数据集
SpadgerZ的博客
05-12 1万+
使用Faster RCNN训练自己的数据集，过程不太顺利，踩坑数次，所以把流程记录一下。 所使用的代码版本：faster-rcnn.pytorch 1.源码及环境配置 原Github版本使用的Pytorch==0.4.0，但是看了网上的博客记录这个版本有较多错误无法解决，建议使用Pytorch==1.0.0及以上版本； 源码 Pytorch0.4.0版源码：https://github.com/jwyang/faster-rcnn.pytorch.git Pytorch1.0.0版源码：https
faster-RCNN训练自己的数据集pytorch
09-16
Faster R-CNN（区域卷积神经网络）是一种流行的目标检测算法，它结合了Region Proposal Network (RPN) 和 Fast R-CNN 的优点。如果你想在PyTorch上使用Faster R-CNN来训练自己的数据集，你需要遵循以下步骤： 1. 数据准备：首先，你需要准备标注好的训练图像和相应的边界框（BBox）。PASCAL VOC、COCO等都是常见的目标检测数据集，如果你有自己的数据，需要将其转换成标准格式，如XML或YOLO的txt文件。 2. 准备库：安装必要的库，包括PyTorch、Detectron2（基于Faster R-CNN的库）、torchvision，以及用于数据处理的工具如`xml.etree.ElementTree`（如果需要解析XML）。 3. 加载预训练模型：下载并加载预训练的Faster R-CNN模型，比如COCO模型，作为起点，这将为你的网络提供基础结构。 4. 定义自定义数据模块：创建一个新的数据模块，继承自Detectron2的`DatasetMapper`，并针对你的数据集调整输入大小、颜色空间转换等参数。 5. 训练配置：编写一个训练配置文件，指定优化器、学习率策略、迭代次数、批大小等参数，并指明你的模型路径。 6. 实现训练循环：使用Detectron2的`DefaultTrainer`类，设置数据模块、模型、配置和其他训练选项，然后运行训练循环。 ```python from detectron2.engine import DefaultTrainer # 创建训练器实例 trainer = DefaultTrainer( model="COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x", data_loader_train=..., data_loader_val=..., cfg=cfg, # 自定义训练配置 ) # 开始训练 trainer.train() ```
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值