使用faster-rcnn训练自己的模型

最新推荐文章于 2025-05-22 09:53:47 发布

chestnut2019

最新推荐文章于 2025-05-22 09:53:47 发布

阅读量4.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/u011636440/article/details/78062283

本文介绍了使用Faster R-CNN进行深度学习模型训练的详细步骤，涵盖从数据格式调整、网络配置修改到模型训练和检验的全过程。重点讨论了在VOC数据集上训练的注意事项，包括数据准备、错误处理和模型配置，并提供了针对不同GPU内存大小的模型选择建议。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考

faster-rcnn
源码链接
 论文链接
 一个不错的参考

faster rcnn简介

各文件目录介绍

 caffe-fast-rcnn —> caffe框架
 data —> 存放数据，以及读取文件的cache
 experiments —>存放配置文件以及运行的log文件,配置文件
 lib —> python接口
 models —> 三种模型, ZF(S)/VGG1024(M)/VGG16(L)
 output —> 输出的model存放的位置，不训练此文件夹没有
 tools —> 训练和测试的python文件

提供了两种算法

 alternating optimization training（alt-opt）交替优化训练
 approximate joint training (end-to-end) 近似联合训练：官方指出，对于VGG16而言，end-to-end要比alt-opt快1.5倍，精度是差不多的。

提供了三种模型

 ZF，小型。至少3G显存。
 VGG_CNN_M_1024，中型。至少3G显存。
 VGG16，大型。至少11G显存。不过如果开启CUDNN模式，在end-to-end算法中训练，3G显存也可以跑起来。

安装

安装流程

在caffe-fast-rcnn目录下，像安装caffe一样。

cd caffe-fast-rcnn
cp Makefile.config.example Makefile.config
vim Makefile.config  # 根据自己的需要修改配置文件，如果只使用CPU训练就打开CPU_ONLY := 1；
                     # 如果要使用CUDNN就打开USE_CUDNN := 1;最高支持cudnn4，更高版本会报错

将USE_PKG_CONFIG := 1和WITH_PYTHON_LAYER := 1打开