faster-rcnn-demo

tf-faster-rcnn在cpu下运行demo、测试和训练自己的数据集 1、环境配置 官方给出的Faster R-CNN的代码是caffe框架下的,我对caffe不是很了解,一直用的是tensorflow环境,所以去网上找了一下用tensorflow实现的Faster R-CNN。找到了一篇博客https://www.cnblogs.com/toone/p/8433581.html,作者使用的是一个github上Xinlei Chen的tensorflow版本的fa... 阅读详情

原文地址:lefenger.com

运行github上的python版本的faster-rcnn demo的过程为:

  1. 克隆github的项目到本地 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git
  2. 在caffe-fast-rcnn文件夹中执行
    cp Makefile.config.example Makefile.config
  3. 将makefile.config中的

    INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include

    LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

替换为

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/


LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial/
  1. 将makefile.config中的WITH_PYTHON_LAYER :=1前面的注释去掉。
  2. 如果你的opencv版本为3.x,将OPENCV_VERSION:=3前面的注释去掉。
  3. 在lib文件夹中执行 make。
  4. 在caffe-fast-rcnn文件夹中执行 make -j32 && make pycaffe。
  5. 在py-faster-rcnn中执行 ./data/scripts/fetch_faster_rcnn_models.sh 下载模型,若下载失败则打开此文件找到链接自行下载。
  6. 在py-faster-rcnn中执行 ./tools/demo.py 运行demo。如果出现Check failed:error==cudaSuccess(2 vs.0)out of memory的错误,很遗憾,显存不够,有如下两种办法:(1)执行./tools/demo.py –net zf 改用zf模型测试,因为这个模型层数很少。(2)打开lib/fast_rcnn/config.py , 修改其中的 TRAIN.BATCH_SIZE。

参考: http://blog.youkuaiyun.com/u014380165/article/details/72704604?utm_source=itdadao&utm_medium=referral

学习Faster-RCNN (一)跑Faster-RCNN的python版demo 一、准备材料 在官网“https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-demo”,下载demo,阅读“README.md”,按照网址:“https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-d 阅读详情

相关推荐

Ubuntu下跑通py-faster-rcnn、详解demo运作流程

在不同的服务器不同的机器上做过很多次实验,分别遇到各种不一样的错误并且跑通Py-Faster-RCNN,因此,在这里做一个流程的汇总: 一、下载文件: 首先,文件的下载可以有两种途径: 1、需要在官网上下载路径:https://github.com/rbgirshick/py-faster-rcnn 该方法的下载之后文件夹:py-faster-rcnn/caffe-fast-rcnn/下可

Errors_In_Life的博客 2万+

Faster-RCNN的demo文件详解

目录 pytorch编写Faster-RCNN的下载地址 我们分部讲解demo程序 导入库: 创建生成器用于for: 设置程序输入参数: 使用EasyDict为一些网络属性赋值: _get_image_blob函数: 主函数初始化: 创建网络: 关于.create_architecture()方法 加载模型数据: 模型,数据放入GPU: 数据送入模型: 画图和显...

a1103688841的博客 3874

Pytorch torchvision完成Faster-rcnn目标检测demo及源码详解

Torchvision更新到0.3.0后支持了更多的功能,其中新增模块detection中实现了整个faster-rcnn的功能。本博客主要讲述如何通过torchvision和pytorch使用faster-rcnn,并提供一个demo和对应代码及解析注释。 目录 如果你不想深入了解原理和训练,只想用Faster-rcnn做目标检测,请看这里 torchvision中Faster-rcnn接口 一个demo 使用方法 如果你想深入了解原理,并训练自己的模型 环境搭建 准备训练数据 模型训练

sinat_28371057的博客 2291

目标检测 Faster R-CNN运行及实时性DEMO测试

faster-rcnn:Fast Region-based Convolutional Neural Networks基于区域的卷积神经网络http://blog.youkuaiyun.com/column/details/ym-alanyannick.html先感谢敖川学长给我提供练手的电脑! 前面都学习CNN在图像分类上的巨大优势和应用,但是要把CNN用作目标检测改怎么实现,困扰了我很久。学了几天先作个笔

zefan7564的博客 1万+

Nvidia Jetson TX2 运行Faster RCNN物体检测demo

实验室新入手了Nvidia的Jetson TX2,Ubuntu14.04+cudnn5.1+Cuda8.0+caffe运行faster rcnn的物体检测demo 先来介绍一下我们的环境,板子具体的配置过程就不再细讲,我配的是Ubuntu 14.04+cuda8.0+cudnn5.1,这里要开始画重点啦,

sinat_20350479的博客 7084

cudnn 5.1版本下跑通 py-faster-rcnn的demo

软件环境: Ubuntu 16.04 + CUDA8.0 + cuDnn5.1 + python 2.7 + OpenCv 3.1 本文的主要目的,是解决在编译py-faster-rcnn的过程中,与cuDnn的v5版本的冲突问题。编译报错是函数错用。最初是把cuDnn换成了v4。后期在跑demo.py时,没能正确检测出物体,也就是没有出带框的图像。一开始以为是plt的问题,后来发现不

wangxiaoyaner的专栏 1067

Faster RCNN安装以及Demo运行

1. 下载 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 2. 依赖库安装 pip install cython pip install easydict apt-get install python-opencv pip install easydict sudo apt-get ins...

quanwei的博客 6050

Faster-Rcnn demo.py解析

目录1. 源代码注解对代码中比较重要的地方添加注释,包括自己的理解和一些参考。2.相关知识点补充补充IoU, 非极大值抑制, python的argparse模块等相关知识点。import _init_paths from fast_rcnn.config import cfg #im_detect 生成RPN候选框 from fast_rcnn.test import im_detect #nms

Harder&&Better 7185

tf-faster-rcnn 训练自己的数据集&修改demo.py

在开始之前需要部署Faster-RCNN TensorFlow版本,我本人是参考这篇博客的,在此感谢博主,但是用博主的方式在运行自己的数据集时并未成功,捣鼓几时,用以下步骤完成了tf-faster-rcnn 训练自己的数据集。并修改demo.py文件,具有可视化效果。 tf-faster-rcnn 训练自己的数据集 1.替换数据集: 删除“/VOCdevkit/VOC20...

Loser930728的博客 6009

【深度学习】用CPU运行faster-RCNN 的官方demo(基于ubuntu16.04系统)

此篇文章用来记录faster-rcnn在CPU下运行成功的详细步骤,一般来说官方给的教程都是ubuntu+caffe+CUDA+cuDNN,基于GPU速度快于CPU,如果你不是显卡有问题或者配置出问题,建议采用GPU的方法运行faster-rcnn。配置方法很多牛人已经给出,可参考这些: https://github.com/rbgirshick/py-faster-rcnn 官方教程 http

修行的猫ZQ 5129

faster rcnn demo保存坐标

可以保存demo的坐标,中间修改的位置有详细的说明,参照着改动,应该可以实现的

caffe 运行 faster -rcnn 自带的Demo

参考博客

佳梦作快马 诗酒趁年华 271

Zemax新手别慌!一文搞懂几何像差:从球差、慧差到色差的实战识别与优化

本文为Zemax新手提供几何像差实战指南,详细解析球差、彗差和色差的识别与优化方法。通过软件操作关键节点和实际项目决策逻辑,帮助光学设计师快速掌握像差诊断与优化技巧,提升光学设计效率。

weixin_42524708的博客 258

py-faster-rcnn demo.py分析(py-faster-rcnn)

py-faster-rcnn demo.py分析标签(空格分隔): 深度学习首先请观众老爷们打开/py-faster-rcnn/tools/demo.py头文件import _init_paths #导入“_init_paths.py”文件 注意这个文件,这似乎是后续所有导入文件的基础 from fast_rcnn.config import cfg from fast_rcnn.test

louzhengzhai的博客 919

LabVIEW多界面应用开发:从启动器到主界面的切换架构与实现

在图形化编程领域,模块化与界面管理是构建复杂应用程序的核心。其原理在于通过清晰的程序架构,实现不同功能模块间的独立运行与协同工作,从而提升代码的可维护性和可扩展性。这种架构的技术价值在于能够有效管理应用程序的生命周期与资源,避免内存泄漏,并确保流畅的用户体验。在测控系统、自动化测试等工程实践中,常需实现如启动界面选择语言或模式后,无缝切换至主功能界面的场景。本文聚焦于LabVIEW环境,深入探讨如何利用动态调用、状态机等机制,并结合功能全局变量(FGV)与队列消息处理器(QMH)等热词技术,构建健壮的多界面

weixin_30802819的博客 263

[TI板]MSPM0G3507——keil环境配置+烧录配置+vscode配置+空工程迁移+点灯+芯片解锁教程

本文介绍了MSPM0G3507开发环境的配置与烧录方法。主要内容包括:1)下载安装芯片支持包和SDK开发工具;2)通过串口或DAPLink两种方式实现程序烧录,详细说明了UniFlash软件的使用步骤和常见问题解决方法;3)简要提及工程迁移和LED点灯等基础操作。文章提供了完整的开发环境搭建指南,涵盖从软件安装到实际烧录的全过程,并附有相关工具下载链接和操作截图,帮助开发者快速上手MSPM0G3507开发。

qq_23220445的博客 1万+

Py-faster-rcnn实现自己的数据train和demo

在我的上两个博客中已经对py-faster-rcnn配置运行demo.py和py-faster-rcnn配置运行faster_rcnn_end2end—VGG_CNN_M_1024做出了相应说明,在本博客中我将对py-faster-rcnn实现自己的数据train和demo做出具体操作说明,希望可以解决大家在训练自己数据时出现的问题。 注意:如果对py-faster-rcnn配置运行dem...

samylee的博客 3万+

官网下载STM32系列芯片的产品选型手册

官方提供了产品选型手册,便于工程师们进行产品选型。 那么,在哪下载"产品选型手册"呢?请看下文。

Weber Zhou 的博客 1万+

faster rcnn demo.py:在一个窗口显示所有类别标注

转载https://blog.youkuaiyun.com/10km/article/details/68926498 faster rcnn 的demo.py运行时,对于同一个图像,每个类别显示一个窗口,看起来不太方便,顺便小改一下,让一幅图像中检测到的所有类别物体都在一个窗口下标注,就方便多了。 代码改动也不复杂,就是把vis_detections函数中for循环前后三行代码移动到demo函数的for...

w_q_q2017的博客 459

IEC 104电力规约详细解读(五) - 遥控

主站下发遥控选择命令,子站进行遥控选择返校,若成功则回答遥控选择成功报文,若失败则回答失败报文。主站下发取消遥控命令或者遥控执行命令行。子站皆以报文的镜像确认。遥控命令用来实现对一个可操作设备状态的改变。在配电自动化中,包括单点命令和双点命令。通常,单点命令用于控制单点信息对象;双点命令用于控制双点信息对象。

张二狗的博客 7350

LVGL colorwheel组件教程一(调色板)

【代码】LVGL colorwheel组件教程一(调色板)

摸鱼专家 434

faster rcnn学习系列(一)将faster rcnn的demo运行起来

前言 因项目需要,这2天开始花时间来学习faster cnn模型,准备用它来训练我们自己的数据,看准确度如何。 准备工作 1)下载代码。 官方faster rcnn实现有两个版本,一个是matlab实现,另一个则是python + caffe实现。显然,后者更受大家欢迎。 git clone --recursive https://github.com/rbgirshick/py-fas...

ltshan139的专栏 1392

UltraScale系列底层结构(3)——URAM概述

在UltraScale+™ 器件中,除了我们在常规熟悉的BRAM资源以外,还额外提供了URAM(UltraRAM)资源。 UltraRAM 是一种单时钟同步操作的高密度存储器,每个 UltraRAM 块可存储 288 Kb 数据,配置为 4K x 72 位的存储单元,其容量是 Block RAM 的八倍。虽然 UltraRAM 内部使用单端口存储单元,但通过在一个时钟周期内顺序执行端口 A 和端口 B 的操作,实现了双端口功能。

apple_53311083的博客 2832

Faster RCNN从demo到训练自己的数据(2)——demo篇

1.编译py-faster-rcnn库 修改py-faster-rcnn\lib\setup_cuda.py: a. 将第14行改为'-arch=sm_35'。 b. 将第33行 include_dirs = [numpy_include, 'C:\\Programming\\CUDA\\v7.5\\include']) 改为本机的CUDA-include,如 include_di...

gaohang_hdu的博客 354

华为MetaERP国资委语境下的 DRP(全域数字化资源管理平台/Digitalized Resource-management Platform)与传统 ERP(以 SAP、Oracle 为代表)的

【摘要】国资委推动的DRP(全域数字化资源管理平台)正在重构央国企数智化转型路径,其本质是通过"ERP管交易+DRP管管控"的双层架构实现升维替代。与传统ERP相比,DRP具有三大突破:采用国产分布式数据库实现全级次穿透监管、构建数据中台打破信息孤岛、以实时分析替代事后报表。当前政策明确2026-2030年分阶段建设目标,这将重塑产业格局——倒逼传统ERP厂商转型,为云原生/AI/信创企业创造新机遇。需注意DRP并非简单替代ERP,而是通过治理模式变革实现"交易系统做薄、管控中

金牌架构师 286

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

【Win10+Tensorflow】Faster-RCNN训练和测试demo

【Win10+Tensorflow】Faster-RCNN训练和测试demo 一、系统环境说明 win10+CUDA10.1+cudnn-v7.6+Python3.7 Tesorflow环境配置这里就不写了,默认已经配置好了。 二、下载Faster-RCNN开源代码 网页地址链接:地址 或者在我的百度云盘下载,提取码:7hg9。 这个版本支持python3(3.5/3.6/3.7),Windows...

yyuebanyaorenlang的博客 398

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

上一篇: Caffe 问题记录
下一篇: Keras的入门
Lefenger
博客等级 码龄12年 36粉丝 64原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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