Fast-RCNN安装与使用（跑demo）

最新推荐文章于 2025-05-31 15:46:51 发布
最新推荐文章于 2025-05-31 15:46:51 发布
阅读量1.3w 收藏 21
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Deep Learning 目标检测 文章标签： 检测 深度学习 caffe FastRCNN
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。
本文链接：https://blog.youkuaiyun.com/happyxieqiang/article/details/50925377
本文详细介绍了如何安装和使用Fast-RCNN，一个基于深度卷积神经网络的目标检测框架。Fast-RCNN在训练和检测速度上显著优于RCNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。首先，文章讨论了安装前的准备，包括安装caffe和确保GPU支持。接着，详述了安装Fast-RCNN代码、编译Cython和caffe的过程。最后，通过运行python脚本展示了跑demo的步骤，结果显示Fast-RCNN在复杂场景下的目标检测效果良好。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Fast-RCNN是一个基于深度卷积神经网络（deep ConvNets）实现的快速目标检测框架，代码作者Ross Girshick在RCNN的基础上增加了Multi task training，使得整个的训练过程和测试过程比RCNN快了许多。Fast-RCNN主要有以下特点：

  • 训练先进的模型比如VGG16，比RCNN快9倍，比SPPnet快3倍
  • 在检测时比RCNN快200倍，比SPPnet快10倍
  • 在PASCAL VOC数据集上mAP比RCNN和SPPnet有显著提高
  • 基于Python、C++和caffe

1.安装前的准备

  • caffe
    fast-rcnn是基于caffe写的，所以必须要安装caffe，因为rbg的demo是用python写的，所以还要保证pycaffe编译通过。具体的Makefile.config文件请参考这里。安装过程中有可能提示缺少cython，python-opencv，easydict，这些问题我没遇到，这些都是依赖的一些东西，如果遇到请安装一下。

  • GPU
    CPU训练和检测速度太慢了，所以我们需要一个好的GPU，作者提供了几种预训练的模型，分别是S号模型CaffeNet，M号模型VGG_CNN_M_1024,这两个模型需要至少3G内存的Titan,K20,K40 GPU。如果训练L号模型VGG16，则必须11G内存的K40，这里我用的是K40的服务器。

2.安装

  • clone rbg的代码
    要想用fast-rcnn第一步肯定是clone rbg的代码，地址在
最低0.47元/天 解锁文章

200万优质内容无限畅学
tf-faster-rcnn在cpu下运行demo、测试和训练自己的数据集
m0_38024766的博客
06-03 4589
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...
【tf-fast-rcnn-cpu】win10下通过虚拟机VMware跑通demo及问题记录
qq_41627396的博客
05-07 717
1.开始 本文主要介绍在win10系统下使用VMware虚拟机跑通tf-fast-rcnn-cpu的过程以及记录过程中遇到的问题 2.环境 Ubuntu 16.4 tensorflow=1.8 numpy=1.16.0 anaconda 3 cython easydict opencv tf-fast-rcnn-cpu： 复现代码，包含数据集和预训练模型（提取码：1234） 参考：安萌萌萌萌萌的博文 这篇博文包括了软件的安装，本文就不再重复 3.跑通demo过程 由于虚拟机不支持GPU，所以本次选用c
目标检测Faster_r_cnn代码的使用（python+caffe版本）
Lin_xiaoyi的博客
10-09 5713
代码资源Faster_r_cnn代码链接: https://pan.baidu.com/s/1eS8JcIY 密码: mqrh 论文作者源码下载：git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git配置，编译与安装环境１:在本机已经配置好了caffe环境以及各种依赖的安装，还要配置以下几个python包:cyth
目标检测之Faster R-CNN
最新发布
qq_45647530的博客
05-31 998
阶段任务分类损失回归损失是否只对正样本回归RPN二分类交叉熵损失Smooth L1✅ 是Fast R-CNN多分类Softmax + 交叉熵Smooth L1（多类）✅ 是这种设计是 Faster R-CNN 成功的重要原因之一，为后续如 Mask R-CNN、RetinaNet 等提供了统一思路。
fast-rcnn配置运行demo.py（Ubuntu14.04）
wzy的博客
10-09 975
注意：fast-rcnn是建立在caffe已经配置好的基础上的，如果对caffe配置不太熟的朋友可以参考一下我的博客http://blog.youkuaiyun.com/samylee/article/details/50922601 好了，我们来玩玩这个fast-rcnn配置运行demo.py 第一部分：Git官网的fast-rcnn源码 终端输入： cd /
RCNN的安装与简单使用
热门推荐
kuaitoukid的专栏
07-03 2万+
最近准备从物体检测的角度来重新审视文本检测这个方向，所以看了下CNN大火以后的几篇经典文献，OverFeat，Region CNN， Dense Neural Pattern等等。 对这个方向来说，百闻不如一试，趁着其他程序还在跑没什么事，我安装了一下RCNN来看看效果
faster-rcnn-demo
Lefenger
07-30 730
原文地址：lefenger.com运行github上的python版本的faster-rcnn demo的过程为： 克隆github的项目到本地 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 在caffe-fast-rcnn文件夹中执行 cp Makefile.config.example Makefi
fast-rcnn训练自己数据集以及demo代码解读和总结（面向fast-rcnn初学者）
野孩子的专栏
03-27 8197
首先推荐文章，里面有讲如何安装fast-rcnn，以及编译。 或者我直接把fast-rcnn的地址写出来：https://github.com/rbgirshick/fast-rcnn 一.最后的demo.py（地址：https://github.com/rbgirshick/fast-rcnn/blob/master/tools/demo.py）的代码解读：    1.获取
学习Faster-RCNN （一）跑Faster-RCNN的python版demo
大白机器人的博客
01-22 8429
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
[Ubuntu] 配置faster-rcnn环境记录
05-10
- **make编译**：在`py-faster-rcnn/lib`和`py-faster-rcnn/caffe-fast-rcnn`下分别执行make命令，并使用-j4参数并行编译加快速度。 - **pycaffe编译**：编译caffe时，需要执行`make pycaffe`来支持Python接口。 ...
Faster-RCNN：跑demo
Alex_XT的博客
08-10 1544
转至：http://blog.youkuaiyun.com/GoJawee/article/details/73647249参考链接：小咸鱼——http://blog.youkuaiyun.com/sinat_30071459/article/details/50546891 Win7操作系统下，依次安装： 安装vs2013； 安装Matlab； 安装CUDA； 上面的安装顺序最好不要乱，否则可能出现Matla
faster rcnn demo保存坐标
09-04
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
RCNN-FAST RCNN-FASTER RCNN
09-13
rcnn, sppnet, fast rcnn, faster rcnn, YOLO, SSD，目标检测论文大合集，赶紧下载吧！ Faster R-CNN_ Towards Real-Time Object Detection with Region Proposal Networks Girshick_Fast_R-CNN_ICCV_2015_paper Liang_Recurrent_Convolutional_Neural_2015_CVPR_paper Rich feature hierarchies for accurate object detection and semantic segmentation Tech report Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition SSD_ Single Shot MultiBox Detector You Only Look Once Unified, Real-Time Object Detection
安装和运行Fast R-CNN的demo
dcxhun3的博客
09-14 8022
FR-CNN是Ross Girshick的新作，从文章来看FR-CNN比R-CNN和SPPNet都快很多。当然R-CNN和SPPNet也都是Girshick的作品，FR-CNN的正确率不仅超越Girshick自己的嫡出，也超过了DPM等其他方法。FR-CNN正如文章所说的是一个简单，并且Elegant的框架。和那些Pipeline的模型相比，的确是优雅很多的。当然FR-CNN本身也可以看作是一个Pi
Faster-RCNN的demo文件详解
a1103688841的博客
05-22 3785
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...
Faster-Rcnn demo.py解析
Harder&&Better
07-07 7109
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
Fast-rcnn 训练（1）-安装
jiangph1001的博客
01-25 669
安装fast-rcnn前需要装一堆配置文件和驱动，基本上照着以下步骤，在控制台执行一遍即可。1.依赖包sudo apt-get install build-essential # basic requirement sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-a
Caffe环境配置+fast-rcnn demo.py 运行（主要是记录添加额外层的过程遇到的问题）
weixin_38715903的博客
06-07 849
1.配置环境：【采用的是BVLC官方版本：https://github.com/BVLC/caffe.git 】 caffe+VS2015+python3.5+CUDA8.0(x64)+cuDNN v5.1(x64) 首先除了caffe,先安装好后面的软件，环境变量都要记得添加。 python3.5我选择的是安装：Anaconda3-4.2.0-Windows-x86_64 2.caffe...
Faster RCNN从demo到训练自己的数据(2)——demo篇
gaohang_hdu的博客
11-15 316
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...
评论 5
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