guduruyu的专栏

上一篇，我们介绍了opencv_contrib中的模块在windows下的编译，也提到了其中的dnn模块可以读取caffe的训练模型用于目标检测，这里我们具体介绍一下如何使用dnn读取caffe模型并进行目标分类。

前面已经介绍了使用使用mnist数据集进行训练lenet，并使用opencv加在caffemodel进行预测。更进一步也是最终的目的，还是要学会使用自己的数据集训练caffemodel并进行预测。这里先以训练lenet为例进行说明。

opencv目前已经支持caffe训练模型的读取，以及使用模型进行预测，这个功能是dnn模块实现的，而这个模块位于opencv_contrib中，此前编译的opencv3.2.0并没有将opencv_contrib中的模块加进来。因此，这里重新将opencv_contrib加入到opencv3.2.0进行编译。

本文主要对基于深度学习的目标检测算法进行剖析和总结，文章分为四个部分：第一部分大体介绍下传统目标检测的流程，第二部分介绍以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第三部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO, SSD); 第四部分介绍一些可以提高目标检测性能的技巧和方法。

本篇主要介绍mnist数据集格式的转换，并测试Caffe的训练和检测效果。

项目的需要，终究还是用到了深度学习，Caffe无疑是我这种菜鸟最好的入门平台，然鹅，事情并没有想象的那么简单！！！单是编译caffe的库就已经把我折腾得灰头土脸了，搜了很多caffe的编译教程，一步一步得去操作，没有一个编译通过的，起初是CMake不通过，不甘心，又花了两天时间逐个编译出caffe的依赖库，总算CMake通过了，生成vs2013编译工程后，总算可以Build了，各种语法错误，简直让人心力交瘁。用微软版的免依赖库版，也是各种编译错误。就在要放弃的时候，又重新开始尝试了一下，仔细分析了CMake

caffe的python编译模块提供了绘制net结构的功能，可实现对网络结构的绘制，这极大的方便了对网络结构的理解和分析，这里介绍下绘制的过程。

制作VOC2007数据集用于Faster-RCNN训练：VOC2007格式是faster-RCNN中官方给出的用于训练的数据集，把它下载下来用frcnn/tool里的训练程序跑一跑就可以得到自己的训练网络了，首先说明一下我们需要准备的文件：1. 训练所需的图片；2. 图片上ROI标注信息的XML文件；3. 将数据集分割为三部分分别用于frcnn进行训练，验证，测试等。第一步：图片的...