OHEM算法的Caffe实现

最新推荐文章于 2024-01-02 00:15:52 发布
最新推荐文章于 2024-01-02 00:15:52 发布
阅读量4.3k 收藏 7
点赞数
分类专栏： 深度学习 Caffe 计算机视觉 目标检测-object detection 文章标签： 算法
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/u014380165/article/details/73196223
版权
这篇博客详细介绍了如何在Caffe中实现在线 Hard Example Mining (OHEM) 算法，从拉取项目、配置Makefile.config到编译Caffe，再到训练和测试模型。过程中涉及Fast RCNN的改造，提供了数据准备、预训练模型下载、VOC2007数据集的链接以及解决训练中遇到的问题。最终，模型在VOC2007上测试得到mAP为0.7178的好成绩。

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

这篇博文介绍如何用OHEM算法训练数据和测试数据。因为OHEM算法是对Fast RCNN的改造，所以Caffe代码的编译和Fast(er) RCNN基本类似。OHEM算法及Caffe代码的讲解可以参考另外一篇博客：OHEM算法及Caffe代码详解

代码的github地址：https://github.com/abhi2610/ohem

1、拉取项目

git clone --recursive https://github.com/abhi2610/ohem.git

并假设拉取的项目放在$OHEM_ROOT目录下，如果你是在/home/user1/models/目录下执行上面这个clone命令，那么$OHEM_ROOT就是/home/user1/models/ohem。

2、拷贝Makefile.config

cd $OHEM_ROOT/caffe-fast-rcnn
cp Makefile.config.example Makefile.config

这里要修改Makefile.config两处地方：
2.1、将makefile.config里面的以下两行：

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

换成这两行：其实就是加上了hdf5的路径

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
LIBRARY_DIRS := $(
最低0.47元/天 解锁文章
OHEM算法及Caffe代码详解
AI之路
06-12 1万+
这是CVPR2016的一篇论文，用于目标检测，本篇博文先介绍这个算法，然后介绍其Caffe代码。论文：Training Region-based Object Detectors with Online Hard Example Mining 论文链接：https://arxiv.org/abs/1604.03540算法概述：OHEM（online hard example miniing）算法的
OHEM安装运行(Training Region-based Object Detectors with Online Hard Example Mining)
陈龙ＣＬ的博客
09-27 1570
github地址 https://github.com/abhi2610/ohem 结果可以重现的 论文结果 重现结果 Fast R-CNN (FRCN) VOC 07 trainval VOC 07 test 66.9 67.6 FRCN
caffe详解之优化算法
u012347027的博客
02-23 440
从零开始，一步一步学习caffe的使用，期间贯穿深度学习和调参的相关知识！   常见优化算法总结 前面我们介绍了卷积神经网络中主流的数据层，卷积层，全连接层，池化层，激活函数层，归一化层，dropout层,softmax层。分析每一层的配置及意义的目的主要是为了便于设计出适合自己的网络。然后根据自己的任务需要定义合适的损失函数。当搭建出自己的网络并确定网络的损失函数后，下一个关键问题便是训...
深度学习框架Caffe学习笔记(8)-BP神经网络算法
流云非晚的专栏
11-14 1万+
BP神经网络的计算流程为，先根据输入数据各个节点的权重偏向，计算出神经网络的输出（前向传播计算），通过计算输出与理想输出比较得到误差，再根据误差函数再各个节点的偏导数计算出各权重、偏向的调整量（反向传播计算）。该迭代过程循环进行，直到达到某些停止条件，如训练误差已经小到一定值。
【机器学习】卷积神经网络（四）-实现细节（Caffe框架为例）
最新发布
cxyhjl的博客
01-02 1587
六、实现细节都有哪些开源的卷积神经网络实现caffe中卷积神经网络各个层（卷积层、全连接层、池化层、激活函数层、内基层、损失层等）Caffe2 与caffe 对比caffe2 开源吗使用caffe的c++ 版本和python版本，分别适用于哪些场景6.1卷积层在进行预测时，训练时 正向传播区别采用矩阵乘法的优势6.2 激活函数在神经网络中，激活函数通常是将向量中的每个元素独立地映射到一个新的值...
A-Fast-RCNN算法的Caffe实现
AI之路
06-11 5474
A-Fast-RCNN算法来自论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection。项目的git地址：https://github.com/xiaolonw/adversarial-frcnn因为git上对于如何训练模型，如何测试数据介绍得比较简单，因此自己亲自试验了一下，并记录下过程。1、从Faste
py-rfcn算法caffe配置，训练及应用到自己的数据集
wei_guo_xd的博客
07-05 8406
下载程序， git clone https://github.com/Orpine/py-R-FCN.git 打开py-R-FCN,下载caffe git clone https://github.com/Microsoft/caffe.git 编译Cython模块 cd lib make 结果如下图所示： 编译caffe和pycaffe cd caffe cp M
检测模型改进—OHEM与Focal-Loss算法总结
m_buddy的博客
04-05 1万+
1. 概述 论文名称：Training Region-based Object Detectors with Online Hard Example Mining 代码地址：OHEM OHEM（online hard example miniing）算法的核心思想是： 根据输入样本的损失进行筛选，筛选出hard example，表示对分类和检测影响较大的样本，然后将筛选得到的这些样本应用在随机梯度...
【论文笔记】(CVPR2016 Oral) Training Region-based Object Detectors with Online Hard Example Mining
elaine_bao的专栏
04-18 5254
基于Fast R-CNN框架做Online Boostrapping，在AlexNet和VGG Net的baseline上都提高了3个点左右。
OHEM loss 源代码
pangxing6491的博客
11-22 460
ohem loss
论文笔记 OHEM: Training Region-based Object Detectors with Online Hard Example Mining
热门推荐
xiaoxiang_AQ 的博客
10-08 2万+
CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SGD算法进行一定的修改，使得原有的reg
ohem代码理解+anchor
shuijinghua的博客
11-25 984
对应github地址,pytorchb版本: https://github.com/gurkirt/FPN.pytorch1.0 数据预处理 train_dataset = Detection(args, train=True, image_sets=args.train_sets, transform=Augmentation(a...
OHEM算法
qq_35608277的博客
05-30 1298
ref https://blog.youkuaiyun.com/u014380165/article/details/73148073
Ubuntu16.4系统下为Python配置caffe环境
爱吃鱼的猫
07-29 1万+
虽然即将变为博一新生，但是小编我是深度学习的初学者，前几天刚弄好tensorflow的环境，还没等熟悉够呢，又让弄caffe环境。想想当时弄tensorflow的痛，实在不想弄，可是没法呀，身不由己。还好今天三个小时搞定。本文是参考以下三篇博文搞定的，所以有好多步骤我做了但是不知道对不对，感觉没有用的我就没有写，如果有人没有正确安装的，可自行观看这三篇博文： http://blog.csdn.n
py-R-FCN源码分析
Marshall的专栏
01-05 6872
softmax_loss_ohem_layer.cu #include #include #include #include "caffe/layers/softmax_loss_ohem_layer.hpp" #include "caffe/util/math_functions.hpp" namespace caffe { template __global__ void
Faster R-CNN 的Caffe实现
AI之路
05-24 2万+
Faster R-CNN是一种object detection算法，这里记录下Faster R-CNN的Caffe实现。 git地址：https://github.com/rbgirshick/py-faster-rcnn这里主要讲两个方面内容，一方面是从无到有如何成功运行demo（假设你的Caffe已经可以用），另一方面是如何自己训练模型，可以用自己的数据，也可以是本文的VOC数据集。一、运行d
caffe cpu版 Anaconda3 python 接口安装
conding_算子
05-09 1万+
安装之前请详细阅读官方的文档 caffer installationcaffer Ubuntu Installation由于官方的文档给出了各个版本的安装需求和 config 文件的部分参数含义，不够仔细（当然所有的 config 参数含义都在该文件中有解释），这里我单独记录一下自己使用 Anaconda3 编译 caffe cpu 版的完整过程。环境：ubuntu 14.04 anaconda3
YOLO算法的Caffe实现
AI之路
05-19 2万+
YOLO算法有多种实现版本，论文中的作者的实现是在darknet框架下，可以参考链接：点击打开链接，darknet上已经更新到YOLO V2版本了。 这里主要讲Caffe版本的YOLO实现，主要采用yeahkun写的：点击打开链接，基本按照这个git里面的readme进行，但是因为整个流程操作起来步骤较多，所以将自己在调试过程中遇到的小问题记录如下： 大致步骤包括：1、下载VOC数据集。2、生
目标检测之OHEM
thisiszdy的博客
05-08 983
一、目标检测之OHEM Training Region-based Object Detectors with Online Hard Example Mining 论文链接：https://arxiv.org/abs/1604.03540 论文详解：https://www.jianshu.com/p/a3cbfa81d86a 论文代码：https://github.com/abhi2610/o...
深度学习框架Caffe实现YOLO目标检测算法
3. Caffe-YOLO实现细节：Caffe-YOLO 实现需要将 YOLO 算法的关键组成部分转换为 Caffe 的层和网络结构。这通常包括边界框预测层、损失函数层以及针对特定任务（如检测小对象、提高检测精度等）进行的定制化修改。 4...
评论 2
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