Cascade R-CNN训练自己的数据

最新推荐文章于 2022-10-15 12:36:50 发布
原创 最新推荐文章于 2022-10-15 12:36:50 发布 · 7.9k 阅读 · 36 ·
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：

#Cascade RCNN #训练

本文档详细介绍了使用Cascade R-CNN进行目标检测的步骤，包括数据准备、训练集与测试集的创建、test_name_size.txt的制作，以及训练过程中遇到的问题和解决方案。通过调整网络配置，如修改输入尺寸、分类数、anchor大小等，成功应用于自己的数据集。

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

传送门：

  1. 《Cascade R-CNN: Delving into High Quality Object Detection》论文笔记
  2. Cascade R-CNN Python测试脚本

1. 前言

Cascade RCNN是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。这里使用的是Cascade RCNN example下的vgg-9s-600-rpn-cascade模型，这里的9s代表的是有9个anchor，600代表短边的尺寸，这里记录在使用这个代码训练自己的数据的过程，这里需要的目标检测的类别是2，在加上一个背景类就是3。
代码地址：Cascade RCNN

2. 数据准备

2.1 训练集（trainval.txt）与测试集（test.txt）

这里的标注数据是存储在txt文件中的，这里拿出一个标注节点来进行说明，每个人标注的形式都不一样，这里就不给代码了，理解了之后按照这个格式进行制作数据集就行了。

# 0 # 图像的编号ID，从0开始
JPEGImages/A3_B1_17_3_1.jpg # 图像的路径，与prototxt中的source参数一同设置
3 # 图像的channel数
1440 # 图像的高度
1080 # 图像的宽度
8 # 图片中标注框的数目
# 标注示例：label_id ignore dif
最低0.47元/天 解锁文章

200万优质内容无限畅学
目标检测：Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】
sinat_39783664的博客
08-26 276
“目标检测Cascade R-CNN(2017)” 方法部分解读
Cascade R-CNN（2018➕CVPR）
最新发布
朴实无华的研究生活
04-03 1141
本文提出了一种名为Cascade R-CNN的新检测框架，旨在解决高质量目标检测问题。现有检测器通常在低IoU阈值下训练，容易产生噪声检测结果；而提高IoU阈值虽能提升质量，但会导致过拟合或推理阶段与输入假设不匹配的问题。Cascade R-CNN通过一系列逐步增加IoU阈值的检测器实现对“接近假阳性”的抑制，同时利用后一阶段的输出重新采样来保证正样本分布均衡，减少过拟合。该架构简单且端到端可训练，在COCO数据集上超越所有单模型检测器，尤其在高评价指标下表现优异。
cascade r-cnn训练和测试(tensorflow框架)
qq_35153620的博客
07-05 7309
基于tensorflow框架下的cascade r-cnn的训练和测试 github代码：https://github.com/DetectionTeamUCAS/Cascade-RCNN_Tensorflow 环境： python = 2.7 tensorflow-gpu = 1.3 cuda8 gpu:1080Ti 1.下载预训练模型 resnet101：http://d...
Cascade Mask R-CNN实战——训练自己的数据集
Guo_Python的博客
06-11 5585
Cascade Mask R-CNN是在Mask R-CNN基础上的改进版本，其精度要高于Mask R-CNN, 本文讲带你如何训练Cascade Mask R-CNN。
mmdetection之cascade_rcnn快速训练自己数据教程（亲测！）
python_pycharm的博客
10-20 9513
我们在使用mmdetection中神经网络训练自己的数据集时，工具中大部分的网络模型要求使用的数据格式要同COCO，COCO数据集的标注文件是json的格式，但是我们自己标注的annotation文件多是xml文件。接下来我将介绍如何用mmdetection训练自己标注的数据集。 一、mmdetection的安装（目前官方只支持Linux系统安装） 1，安装环境： Ubuntu16.04...
在Colab平台上用mmdetection中的Cascade RCNN训练自己的voc数据集
qq_51695220的博客
10-15 2129
本文主要是为了帮助像我一样的没有GPU来进行mmdetection上相关模型训练的cv初学者，如果只是简单的项目的话，希望你不要因为本地没有GPU而烦恼（不得不说Cascade RCNN的精确度确实很顶，小目标检测太绝了）。
cascade rcnn 训练自己的数据——（一）转换数据
Snoopy_Dream
07-04 4099
cascade rcnn 源码有很多值得学习的地方，比如随机裁剪等等的预处理方面。 训练不是用普通的xml那些，还是有自己的读入数据的方式。默认给的是matlab的转换代码。 以下提供的是python代码。 voc_window_file.py #!/usr/bin/env python # @File : voc_window_file.py import os, sys import...
Cascade R-CNN解析
08-03 3352
在目标检测中，需要通过IoU (intersection over union)阈值来定义正负。用低IoU阈值(例如0.5)训练的目标检测器通常会产生噪声检测。但是，随着IoU阈值的增加，检测性能趋于下降。产生这个问题主要有两个原因： 1、随着网络训练的深入，正样本迅速减少导致过拟合； 2、训练和推理使用不同的IOU阈值很容易出现检测问题。 为了解决IOU阈值设置的问题，作者提出适用于多阶段目标检测结构模型的：Cascade R-CNN用来解决这些问题。它由一系列的检测器来...
【论文笔记】：Cascade R-CNN: Delving into High Quality Object Detection
Activewaste
07-23 905
&Title: Cascade R-CNN: Delving into High Quality Object Detection &Summary 本篇文章主要解决了在目标检测中，检测框不是特别准，容易出现噪声干扰的问题，即close false positive，为什么会有这个问题呢？ 作者实验发现，因为在基于anchor的检测方法中，我们一般会设置训练的正负样本（用于训练分类...
cascade-rcnn训练总结
aqldurtn22614的博客
12-26 761
cascade-rcnn https://github.com/zhaoweicai/cascade-rcnn 　　这是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。 　　下面对用自己的数据集进行训练的时候出现的问题进行总结。 其实也很简单，端到端的训练，就是参数很多，要理解了才能很好...
Python-CascadeRCNN深入研究高质量物体检测
08-11
Cascade R-CNN: 深入研究高质量物体检测
目标检测论文阅读：Cascade R-CNN: Delving into High Quality Object Detection
热门推荐
思矣远矣
04-25 2万+
Cascade R-CNN: Delving into High Quality Object Detection 1.思想简介 2.相关工作及一些证明 Iterative BBox及对比 Iterative Loss 3.Cascade R-CNN的实现与结果 4.总结 Cascade R-CNN: Delving into High Quality Object Dete...
【mmdetection】使用cascade-rcnn、faster-rcnn训练自定义的coco数据集
qq_41627396的博客
05-06 1万+
开始 这篇文章主要是记录我第一次使用mmdetection工具包里面的cascade-rcnn训练自己模型的经过 训练环境 本次是使用的系统是linux的ubuntu20.04 cuda=10.2 cudnn=7.6.5 anaconda=3（用于创建虚拟环境，后续的训练、测试模型也在这个虚拟环境中） (以上软件安装可以参考其他博客) pytroch=1.5.0 torchvision=0.6.0 cudatoolkit=10.2.89 mmcv-full=1.3.1 mmdetection=v2.11
OpenCV——Cascade，训练自己的数据
red_ear的博客
11-08 1671
首先，在任意地方新建traning文件夹，拷贝D:\Program Files\opencv\opencv\build\x86\vc10\bin中opencv_createsamples.exe和opencv_traincascade.exe到training中。 1 构建正负样本 在training目录下新建pos和neg文件夹 将归一化之后的样本放入文件中，pos(正样本 ) neg...
cascade rcnn 训练自己的数据——（二）注意点
Snoopy_Dream
07-04 4885
写在题前：首先要看懂文件夹是什么意思，15s代表这有15个anchor（train.prototxt中最开始就是）800代表这short_size 1.在train.prototxt中还可以加一下的参数，默认只有short 和 long size，但是长短边也好，resize_ratio也好，必须是32的倍数。  把所有的81改成2（我这里是汽车检测，所以是2）  把img_width和img_h...
Cascade R-CNN网络学习
qinguanggai9953的博客
04-04 547
检测问题中的IoU阈值选取问题。越高越容易得到高质量的样本。但是阈值变高会引发两个问题： 过拟合； mismatch。（proposal阈值和训练器用的阈值差值） 只有proposal自身的阈值和训练器训练用的阈值接近时，detector性能表现最好。 训练样本减少，过拟合问题严重。 我们需要保证proposal的高质量又不减少训练样本。 用一个stage的输出去训练下一个stage ...
cascade r-cnn-tensorflow
weixin_42728143的博客
05-27 352
1. 训练自己的数据 （1）在$ PATH_ROOT / libs / configs / cfgs.py中修改参数（例如CLASS_NUM，DATASET_NAME，VERSION等） （2）在$ PATH_ROOT / libs / label_name_dict / lable_dict.py中添加类别信息； （3）将data_name添加到$ PATH_ROOT / data / io / read_tfrecord.py的第76行。 2. 制作tfrecord数据集缓存/存储的读取路径
Cascade R-CNN: Delving into High Quality Object Detection[CVPR2018]
女王の专属领地
05-26 861
论文链接：https://arxiv.org/abs/1712.00726代码链接：https://github.com/zhaoweicai/cascade-rcnn 主要：IOU阈值的选取； 解决的问题： 1. 训练时过拟合； 2. 推理时quality mismatch问题； 摘要 在目标检测中，IOU临界值用来定义正样本和负样本。一个目标检测器，由...
语义分割　HybridTaskCascade　跑通DEMO 训练自己的数据集
Andrwin的博客
06-26 4128
火腿肠项目地址　https://github.com/qixuxiang/Hybrid_Task_Cascade 搭建环境 Linux (tested on Ubuntu 16.04 and CentOS 7.2) Python 3.4+ PyTorch 1.0 Cython mmcv>= 0.2.2 首先把Pytorch1.0装好 编译 下载项目文件 确保777权限　不然...
Cascade R-CNN + FPN
04-01
### Cascade R-CNN 结合 FPN 的实现与使用 #### 1. **Cascade R-CNN 和 FPN 的概述** Cascade R-CNN 是一种级联式的检测框架，它通过多阶段的边界框回归逐步细化目标位置[^1]。FPN（Feature Pyramid Network）则是一种用于多尺度特征提取的经典网络结构，能够有效提升小物体检测性能[^2]。 当两者结合时，FPN 提供多层次的特征图作为输入，而 Cascade R-CNN 则利用这些特征进行逐级优化的目标检测。这种组合通常能显著改善模型的整体精度。 --- #### 2. **配置文件中的组件说明** 在基于 MMDetection 或其他开源框架搭建 Cascade R-CNN with FPN 时，主要涉及以下几个部分： - `config/base`：定义基础配置模板。 - `dataset`：指定数据集及其预处理方式。 - `model`：描述具体使用的模型架构，例如 Cascade R-CNN 和 FPN。 - `schedule`：设置训练策略，包括学习率调整计划等。 - `default_runtime`：定义运行环境和其他默认参数。 以下是典型的配置文件片段示例： ```python # 配置文件示例 _base_ = [ 'configs/_base_/models/cascade_rcnn_r50_fpn.py', # 使用 Cascade R-CNN 和 FPN 模型 'configs/_base_/datasets/coco_detection.py', # 数据集为 COCO 'configs/_base_/schedules/schedule_1x.py', # 训练调度器为 1x 'configs/_base_/default_runtime.py' # 默认运行时配置 ] # 修改 backbone 参数 (可选) model = dict( backbone=dict( depth=50, # ResNet-50 init_cfg=dict(type='Pretrained', checkpoint='torchvision://resnet50') ) ) data = dict(samples_per_gpu=2, workers_per_gpu=2) # 调整 batch size 和 worker 数量 ``` 上述代码展示了如何加载 Cascade R-CNN 和 FPN 的基础配置，并对其进行自定义修改。 --- #### 3. **核心模块详解** ##### （1）**FPN 架构** FPN 将低层高分辨率特征和高层语义丰富的特征融合起来，形成一个多尺度特征金字塔。这有助于捕捉不同大小的对象信息。 FPN 的典型操作流程如下： 1. 自顶向下路径：将深层特征上采样并与浅层特征相加。 2. 平滑卷积：对每个层次的结果应用 $3 \times 3$ 卷积以减少混叠效应。 ##### （2）**Cascade R-CNN 工作机制** Cascade R-CNN 包含多个连续的子网络，每一阶段都专注于改进前一阶段预测的质量。其关键特性在于： - 边界框回归损失函数采用 IoU-aware 设计，使得后续阶段逐渐逼近真实框的位置。 - 各阶段共享相同的分类分支，但独立于各自的回归分支。 --- #### 4. **代码实现示例** 以下是一个简单的 PyTorch 实现片段，展示如何初始化并调用 Cascade R-CNN with FPN： ```python import torch from mmdet.models import build_detector from mmcv import Config cfg_path = "path/to/config_file.py" cfg = Config.fromfile(cfg_path) # 初始化模型 model = build_detector(cfg.model, test_cfg=cfg.get('test_cfg')) model.cuda() # 前向传播测试 input_tensor = torch.rand(1, 3, 800, 1200).cuda() # 输入图像张量 with torch.no_grad(): result = model.simple_test(input_tensor) print(result) ``` 此代码段演示了从配置文件创建模型实例的过程以及执行一次推理的操作。 --- #### 5. **注意事项** - 确保 GPU 显存充足，因为 FPN 和 Cascade R-CNN 对显存需求较高。 - 如果需要微调现有权重，请在 `_base_` 中指定预训练模型路径。 - 可视化工具可以帮助理解中间特征图的作用范围和分布情况。 ---
评论 25
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