tf-faster-rcnn指南（二）——平台搭建

目录

• tf-faster-rcnn指南（一）——序言
• tf-faster-rcnn指南（二）——平台搭建
• tf-faster-rcnn指南（三）——训练模型
• tf-faster-rcnn指南（四）——制作PASCAL VOC2007数据集
• tf-faster-rcnn指南（五）——训练自己的数据集
• tf-faster-rcnn指南（六）——绘制Precision-recall曲线

一、下载Github代码

git clone https://github.com/endernewton/tf-faster-rcnn.git

二、更改配置

cd tf-faster-rcnn/lib
# Change the GPU architecture (-arch) if necessary
vim setup.py

大家可以通过nvidia-smi查看自己电脑的GPU配置再看是否需要修改

GPU型号	Architecture
TitanX (Maxwell/Pascal)	sm_52
GTX 960M	sm_50
GTX 1080 (Ti)	sm_61
Grid K520 (AWS g2.2xlarge)	sm_30
Tesla K80 (AWS p2.xlarge)	sm_37

三、编译

在上一步那个lib 文件夹中进行：

make clean
make
cd ..

四、安装COCO API

cd data
git clone https://github.com/pdollar/coco.git
cd coco/PythonAPI
make
cd ../../..

make指令可能提示gcc错误，通过修改环境变量解决
将它们的可执行程序路径写入环境变量中：

vim ~/.bashrc

点击i进入输入模式
将下列代码复制粘贴到文件最后：

export LIBRARY_PATH=/usr/lib/x86_64-linux-gnu

点ESC退出输入模式，输入:wq进行保存并退出。
命令行输入source ~/.bashrc激活环境变量。

五、下载数据

1、Download the training, validation, test data and VOCdevkit

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

2、Extract all of these tars into one directory named VOCdevkit

tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

3、It should have this basic structure 解压后会有以下三个文件夹

$VOCdevkit/                         
$VOCdevkit/VOCcode/                  
$VOCdevkit/VOC2007                    

4、将VOCdevkit重命名为VOCdevkit2007
5、将VOCdevkit2007文件夹移动至data目录下
六、下载预训练模型

1、下载模型

# Resnet101 for voc pre-trained on 07+12 set
./data/scripts/fetch_faster_rcnn_models.sh

如果无法通过这条指令下载，可以在此网盘中下载https://pan.baidu.com/s/1xUzdaA01pgS1XC-zZI98mw
或者在官方的网盘中下载https://drive.google.com/drive/folders/0B1_fAEgxdnvJSmF3YUlZcHFqWTQ
（/tf-faster-rcnn/res101/voc_0712_80k-110k.tgz）
2、下载后放在data目录下进行解压

tar xvf voc_0712_80k-110k.tgz

七、建立预训练模型的软连接

1、返回tf-faster-rcnn目录
2、建立output 文件夹

mkdir output

3、建立软连接

NET=res101
TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval
mkdir -p output/${NET}/${TRAIN_IMDB}
cd output/${NET}/${TRAIN_IMDB}
ln -s ../../../data/voc_2007_trainval+voc_2012_trainval ./default
cd ../../..

八、demo测试
1、返回tf-faster-rcnn目录
2、

GPU_ID=01
CUDA_VISIBLE_DEVICES=${GPU_ID} ./tools/demo.py

九、使用训练好的faster模型对数据进行测试
这里有点地方需要改：首先把 tf-faster-rcnn/lib/datasets/voc_eval.py的第121行的

with open(cachefile,'w') as f

改成：

with open(cachefile,'wb') as f

同时还要把第105行的

cachefile = os.path.join(cachedir, '%s_annots.pkl' % imagesetfile)

改成：

cachefile = os.path.join(cachedir, '%s_annots.pkl' % imagesetfile.split("/")[-1].split(".")[0])

然后再进行测试：

GPU_ID=01
./experiments/scripts/test_faster_rcnn.sh $GPU_ID pascal_voc_0712 res101

测试结果：

总结

到此为止，所有步骤都成功则说明tf-faster-rcnn平台搭建，下一章将介绍如何训练自己的数据库。