点滴的岁月

Faster R-CNN是当前目标检测领域内性能最好的算法之一，它将RPN（Region Proposal Network）网络和Fast R-CNN网络结合到了一起，实现了一个端到端的目标检测框架。作者Shaoqing Ren在github上公开了源代码，可以很方便地在自己的机器上进行测试。本文记录的是Ubuntu16.04下配置和测试Faster R-CNN的过程，其中包括Caffe的

我的机器环境: Ubuntu 16.04,  gcc 5.3.0, Matlab R2015b.cpu安装Caffe官网提供了Matlab接口的配置方法，核心也就两个命令[html] view plain copy make matcaffe  make mattest  在执行这两个命令之前，还有两个准备工作：(1)修改

Faster R-CNN是当前目标检测领域内性能最好的算法之一，它将RPN（Region Proposal Network）网络和Fast R-CNN网络结合到了一起，实现了一个端到端的目标检测框架。作者Shaoqing Ren在github上公开了源代码，可以很方便地在自己的机器上进行测试。本文记录的是Ubuntu16.04下配置和测试Faster R-CNN的过程，其中包括Caffe的安装

1.安装基本的组件。1.GCC： sudo apt-get install build-essential2.CMake：sudo apt-get install cmake$ sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libsws

因为自己电脑显卡不行,只能安装cpu版本的tensorflow.一下是一些过程.1.首先安装好ubuntu16.04版本的系统（最好是ubuntu的14.04版本以上），ubuntu系统已经自带了python2.7，所以不需要再安装python了。（可以直接打开terminal终端，输入命令 python -V即可，下面会显示python的版本信息。）一、安装pip　　打开

我们使用SSD训练自己的数据集,就要制作成voc2007的数据格式,然后才能转化数据格式进行训练.第一步：首先了解VOC2007数据集的内容1)JPEGImages文件夹文件夹里包含了训练图片和测试图片，混放在一起2)Annatations文件夹文件夹存放的是xml格式的标签文件，每个xml文件都对应于JPEGImages文件夹的一张图片3)ImageSets文件夹Ac

上一篇博客讲到如何制作自己的训练数据集,这一篇博客讲讲如何使用SSD训练自己的数据.在训练数据做好后。训练程序为/examples/ssd/ssd_pascal.py，运行之前，我们需要修改相关路径代码,主要是训练路径的修改和关于自己数据集参数的一些修改.cd /examples/ssd先复制一份sd_pascal.py， 再打开,把里面的路径修改为自己的.具体有如下： tra

最近毕业设计涉及到了深度学习,所以学习下目前主流的检测框架SSD,本人笔记本没有gpu,所以只能安装CPU版本的ssd了.github链接：https://github.com/weiliu89/caffe/tree/ssdSSD是16年ECCV一篇深度学习目标检测的文章，详细知识可以百度或者谷歌，本文我们介绍如何实现。本文默认各位的机子已近安装好opencv, 配置编译过cpu版本的ca

第一步：重点声明：是在cpu安装，不适用GPU.本教程caffe编译只是编译了通用caffe的Python接口（如果还需要编译MATLAB接口的，请务必先看我的后一篇博客，涉及到一个很重要的版本问题）和faster-rcnn的Python接口。gcc,g++使用的5.3版本。基本库安装Python的安装有两种方式：一种是系统自带的python，只需再安装相应的库即可；第二种是直接安装a