faster rcnn 训练

配置按照官网的历程就可以，注意我编译的时候找不到各种依赖库的so文件，我自己安装了anaconda,当初安装时为了方便，没想到和自身带的python,也许路径或者变量没整好，导致依赖库总是找不到，后来卸载了anaconda才可以。

训练：按照官网就可以

总结一些问题：所有操作命令都在faster_rcnn的根目录下执行！！！

1.安装easydict      下载安装包，解压，执行python setup.py install

2.找不到cv2  .

sudo apt-get install python-opencv   在/usr/lib/....目录下找到cv2.so 

将opencv的cv2.so 复制到caffe-fast-rcnn/python的文件夹下才可以。

3.

AttributeError: 'module' object has no attribute 'text_format'

需要再lib/fast_rcnn/train.py中添加：

import google.protobuf.text_format

4.数据

data/创建软连接

ln -s 

VOC数据集：

参考VOC2007的数据集格式，主要包括三个部分:

• JPEGImages

• Annotations

• ImageSets/Main

JPEGImages —> 存放你用来训练的原始图像

Annotations —> 存放原始图像中的Object的坐标信息，XML格式

ImageSets/Main —> 指定用来train，trainval，val和test的图片的编号

5.预先训练的model需要自己提前下载，存放在data/imagenet_models

6.训练生成的model放在根目录output下

训练开始后先生成数据在data/cache pkl文件

工程目录简介

首先工程的根目录简单的称为 FRCN_ROOT，可以看到根目录下有以下几个文件夹

• caffe-fast-rcnn

这里是caffe框架目录

• data

用来存放pretrained模型，比如imagenet上的，以及读取文件的cache缓存

• experiments

存放配置文件以及运行的log文件，另外这个目录下有scripts可以用end2end或者alt_opt两种方式训练。

• lib

用来存放一些python接口文件，如其下的datasets主要负责数据库读取，config负责cnn一些训练的配置选项。

• models

里面存放了三个模型文件，小型网络的ZF，大型网络VGG16，中型网络VGG_CNN_M_1024。推荐使用VGG16，如果使用端到端的approximate joint training方法，开启CuDNN，只需要3G的显存即可。

• output

这里存放的是训练完成后的输出目录，默认会在faster_rcnn_end2end文件夹下

• tools

里面存放的是训练和测试的Python文件。

创建数据集

接下来我们就要创建自己的数据集了，这部分主要在lib目录里操作。这里下面存在3个目录：

• datasets

在这里修改读写数据的接口主要是datasets目录下

• fast_rcnn

主要存放的是python的训练和测试脚本，以及训练的配置文件config.py

• nms

做非极大抑制的部分，有gpu和cpu两种实现方式

• roi_data_layer

主要是一些ROI处理操作

• rpn

这就是RPN的核心代码部分，有生成proposals和anchor的方法

• transform

• utils