faster-rcnn 训练自己的数据集

使用faster-rcnn训练VOC格式数据集实战指南
最新推荐文章于 2024-10-28 14:08:28 发布
最新推荐文章于 2024-10-28 14:08:28 发布
阅读量2.4k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 目标检测 文章标签： 目标检测 python
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/reset2021/article/details/125818153
本文档详细介绍了如何使用faster-rcnn在pytorch中训练自己的VOC格式数据集，包括数据集准备、预处理、配置修改及训练过程，同时提供了GitHub开源代码链接。

    本博客主要讲述faster-rcnn训练自己的数据集（数据集为VOC格式）。(该专题以操作为主）

    Faster R-CNN是在fast rcnn算法的基础上修改。该算法由两个主要的模块组成，如下图所示，第一个模块是用于提取候选框的全卷积网络(RPN)，第二个模块是基于候选框的Fast R-CNN目标检测器。整个检测过程通过一个网络完成。Faster R-CNN使用了所谓的关注(attention)机制，RPN模块告诉Faster R-CNN需要关注哪里。

这篇文档主要讲述怎样用faster rcnn算法来实现对自己数据集的训练步骤，以及一些可能遇到问题的解决方案。

源码采用开源代码，链接如下：

GitHub - bubbliiiing/faster-rcnn-pytorch: 这是一个faster-rcnn的pytorch实现的库，可以利用voc数据集格式的数据进行训练。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
在 Faster R-CNN 上训练自己的数据集
dear_jing的博客
04-28 2742
下载了 Faster R-CNN 代码，并用 DOTA 数据集作为训练和测试数据集，验证在 Faster R-CNN 上的精度。
faster rcnn在自己的数据集上训练
生如蚁，美如神
11-13 1809
本文是一个总结，参考了网上的众多资料，汇集而成，以供自己后续参考。 一般说来，训练自己的数据，有两种方法：第一种就是将自己的数据集完全改造成VOC2007的形式，然后放到py-faster-rcnn/data 目录下，然后相应地改变相应模型的参数，比如种类等。 data目录下存放的数据如下： VOCdevkit2007 └── VOC2007 ├── Annotations │
faster rcnn训练自己的数据集-搭建pytorch环境
weixin_44304362的博客
02-28 3469
一、Anoconda建环境名字：faster 1.1建立虚拟环境 建立一个名为faster的虚拟环境，以后所有的操作都在这个虚拟环境中，这可以避免各个版本的python或者框架之间的相互干扰。python=可以让你指定python的版本，如果不输入括号中的内容，系统会安装目前最新的python版本。 conda create -n faster python=3.6 记录一下环境的位置，等着p...
Faster-RCNN训练自己的数据集
GVFDBDF的专栏
08-15 1万+
就目前我在了解到的资料来看，训练RCNN系列，一般有两种思路： 修改CNN的工程代码，适应自己的数据集格式 将自己的数据格式做成VOC2007形式的数据集 从工作量来看，无疑后者更容易一些，本文的思路也是如此。 首先是图片的命名格式，虽然图片的命名理论上不会影响训练。因为训练的数据都是从txt文件中读取图片的名称。但是为了统一数据集，仍然建议批量、有规律的命名数据图片。我的数据集是jpg格式，和PA
Caffe学习系列——Faster-RCNN训练自己的数据集
CV_adventurer的博客
05-29 3万+
2016-10-23 Deep Learning►Caffe Caffe学习系列——6使用Faster-RCNN进行目标检测 Contents 1. 配置与运行Demo 1.1. 1.配置、编译与安装环境1.2. 2.运行demo1.3. 3.训练PASCAL VOC 2007的数据集1.4. 4.遇到的问题 2. 使用Faster-RCNN训
Faster_rcnn训练自己的数据集
xjz18298268521的博客
09-27 5958
在看了一些深度学习的目标检测的论文后，想着去用开源的代码去跑一下，看看实际的效果。于是小菜就想着直接把faster_rcnn用起来，包括前期的faster_rcnn安装和配置并运行其中的一个demo.py。后面是用自己的数据集训练faster_rcnn的模型。 　1. 准备工作： 1) 搭建caffe框架这个可以参考linux先搭建caffe的笔记。 2) 安装第三方依赖包：Cytho
Faster-Rcnn训练自己的数据集
YouthDance
11-28 2047
http://blog.youkuaiyun.com/mydear_11000/article/details/70241139 http://blog.youkuaiyun.com/sinat_30071459/article/details/51332084 http://blog.youkuaiyun.com/zchang81/article/details/70238591 https://github.com/rbgi
精选资源
faster-rcnn-tf2:这是一个faster-rcnn的tensorflow2实现的库，可以利用voc数据集格式的数据进行训练
05-10
训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 - - 77.5 所需环境 tensorflow-gpu==2.2.0 文件下载 训练所需的voc_weights.h5可以去百度网盘下载 链接: 提取码: 92e8 ...
Faster-RCNN_KITTI数据集上的车辆行人检测_Faster-RCNN.zip
09-15
具体来说，Faster-RCNN在KITTI数据集的应用涉及到了数据预处理、模型训练、网络配置、性能评估等环节。数据预处理包括对图像进行标注，提取出车辆和行人的精确位置。模型训练则需要构建一个适合于该任务的深度学习...
基于pytorch框架的Faster-RCNN模型python源码+项目说明+数据集.zip
04-10
基于pytorch框架的Faster-RCNN模型python源码+项目说明+数据集.zip ## 步骤： 1、写入训练的txt文件    修改configs包下面的config文件中三个属性    然后根据自己的数据集的标注...
基于 Faster-RCNN 目标检测网络实现滑坡提取的方法研究 基于 Faster-RCNN 目标检测网络的滑坡区域提取技术实现 运用 Faster-RCNN 目标检测网络完成滑坡信息提取的方案 借
最新发布
08-24
在训练过程中，使用带有标签的数据集对Faster-RCNN网络进行训练，不断优化其参数，以达到最佳的检测效果。 在滑坡提取的过程中，生成的train.txt和landslide_train.txt文件分别承担着不同的角色。train.txt文件可能...
Faster RCNN训练自己的数据集（自用）
qq_57030255的博客
10-28 2788
中，运行如下代码，生成Main文件夹中的train.txt和val.txt，切记文件存放格式和文件夹名字一定要完全一样！在代码中需要修改files_path、val_rate、train_f和eval_f。生成的Main文件夹中的两个txt文件内容是。上述代码需要修改的地方就是。图片的名字去掉.jpg后缀。相关文件地址，如下图所示。（根据个人硬件性能调整）中，xml标签文件放到。
不能再详细！！！手把手教你用Faster-RCNN训练自己的数据集
热门推荐
zcy0xy的博客
03-19 7万+
接前篇：http://blog.youkuaiyun.com/zcy0xy/article/details/79614690一、环境安装准备python2.7以及相关的包cython, python-opencv, easydictFaster-RCNN用的是https://github.com/smallcorgi/Faster-RCNN_TF tensorflow版本本文假设你已经按照上面的教程完成了安装...
FasterRCNN训练自己的数据集
Python_Ai_Road的博客
05-21 7788
2016年提出的Faster RCNN目标检测模型是深度学习现代目标检测算法的开山之作，也是第一个真正全流程都是神经网络的目标检测模型。其主要步骤如下：1，使用CNN对输入图片提取feature map.2，对feature map上的每个点设计一套不同大小和长宽比的anchor作为先验框。3，设计RPN网络从大量的anchor中筛选出一些作为目标框的proposals并用回归分支纠正它们的位置。...
使用Faster RCNN训练自己的数据集
SpadgerZ的博客
05-12 1万+
使用Faster RCNN训练自己的数据集，过程不太顺利，踩坑数次，所以把流程记录一下。 所使用的代码版本：faster-rcnn.pytorch 1.源码及环境配置 原Github版本使用的Pytorch==0.4.0，但是看了网上的博客记录这个版本有较多错误无法解决，建议使用Pytorch==1.0.0及以上版本； 源码 Pytorch0.4.0版源码：https://github.com/jwyang/faster-rcnn.pytorch.git Pytorch1.0.0版源码：https
Faster RCNN训练自己的数据集【傻瓜式教程】
magicnnonn的博客
12-14 2万+
Faster RCNN训练自己的数据集【傻瓜式教程】
Faster RCNN训练
weixin_44422920的博客
03-30 2758
训练 其余均为通用的训练流程，Faster RCNN源码上的train、predict均可使用。 import os import datetime import torch import transforms from FastRCNN_model import FasterRCNN, FastRCNNPredictor from ResNet50_FPN import ResNet50_FPN_backbone from Dataset_FasterRcnn import VOCDataset fr
Faster R-CNN（Tensorflow版） 训练自己的数据集
ytusdc的博客
05-22 1万+
源码地址：https://github.com/smallcorgi/Faster-RCNN_TF 我自己做的数据集和voc的格式一样，所以只修改classes 里的类别就好。1、/Faster-RCNN_TF/lib/datasets/pascal_voc.py      self._classes 修改为自己数据的类2、/Faster-RCNN_TF/lib/networks/VGGnet_t...
faster rcnn训练自己数据
07-25
要训练自己的数据集，你可以按照以下步骤进行操作： 1. 准备数据集：将自己的数据集按照特定的文件夹结构存放在VOCDevkit文件夹中。其中Annotations文件夹存放标签的XML文件，JPEGImages文件夹存放数据集的所有图片，ImageSets/Main文件夹下保存的是test.txt、train.txt、trainval.txt、val.txt，分别是测试集、训练集、训练验证集、验证集的标签文件名。\[4\] 2. 数据集划分：考虑到源码中没有数据集划分程序，你可以使用以下代码进行数据集划分。将代码中的文件路径替换成自己的路径后运行，即可生成所需的txt文件。\[5\] ```python import os import random trainval_percent = 0.0 train_percent = 0.0 xmlfilepath = 'data/Annotations' txtsavepath = 'data/ImageSets' total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) ftrainval = open('data/ImageSets/trainval.txt', 'w') ftest = open('data/ImageSets/test.txt', 'w') ftrain = open('data/ImageSets/train.txt', 'w') fval = open('data/ImageSets/val.txt', 'w') ``` 3. 加载预训练权重：根据你训练时加载的vgg16预训练权重是caffe框架的还是pytorch的，选择相应的代码进行预测。如果是pytorch的预训练权重，可以使用以下代码加载权重。\[2\] ```python trainer.load('训练好的权重路径') opt.caffe_pretrain = False _bboxes, _labels, _scores = trainer.faster_rcnn.predict(img, visualize=True) vis_bbox(at.tonumpy(img\[0\]), at.tonumpy(_bboxes\[0\]), at.tonumpy(_labels\[0\]).reshape(-1), at.tonumpy(_scores\[0\]).reshape(-1)) ``` 4. 训练模型：根据你的数据集和需求，使用相应的训练代码进行模型训练。可以参考提供的GitHub链接\[1\]中的源码进行训练。 请注意，以上步骤仅提供了一般的指导，具体的操作还需要根据你的数据集和需求进行调整。 #### 引用[.reference_title] - *1* *2* *4* *5* [【目标检测】用Faster R-CNN训练自己的数据集](https://blog.youkuaiyun.com/qq_41464279/article/details/124042614)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [目标检测之FasterRcnn算法——训练自己的数据集（pytorch）](https://blog.youkuaiyun.com/weixin_42917352/article/details/121388638)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

reset2021

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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