Faster-RCNN+ZF用自己的数据集训练模型(Python版本and MATLAB版本）

最新推荐文章于 2024-09-11 16:03:04 发布
转载 最新推荐文章于 2024-09-11 16:03:04 发布 · 1.8k 阅读 · 2

本文详细介绍如何使用Python版Faster-RCNN框架训练自定义数据集，涵盖配置环境、修改配置文件及测试流程等内容。

说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。

（做数据集的过程可以看http://blog.youkuaiyun.com/sinat_30071459/article/details/50723212）


Faster-RCNN源码下载地址：

Matlab版本：https://github.com/ShaoqingRen/faster_rcnn

Python版本:https://github.com/rbgirshick/py-faster-rcnn

本文用到的是Python版本，在Linux下运行。

Matlab版本的训练过程：http://blog.youkuaiyun.com/sinat_30071459/article/details/50546891

准备工作：

1.配置caffe

     这个不多说，网上教程很多。

2.其他的注意事项

      这里说的挺详细了，认真看看吧。地址：https://github.com/rbgirshick/py-faster-rcnn（主要内容如下）

下面大概翻译一下上面网址的内容吧。

（1）安装cython, python-OpenCV,easydict

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. pip install cython  
  2. pip install easydict  
  3. apt-get install python-opencv  

（2）下载py-faster-rcnn

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. # Make sure to clone with --recursive  
  2. git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git  

如图：


（3）进入py-faster-rcnn/lib

   执行make

如图：

（4）进入py-faster-rcnn\caffe-fast-rcnn

执行 cp Makefile.config.example Makefile.config

然后，配置Makefile.config文件，可参考我的配置：Makefile.config文件

配置好Makefile.config文件后，执行：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. make -j8 && make pycaffe  

如图：


（5）下载VOC2007数据集

提供一个百度云地址：http://pan.baidu.com/s/1mhMKKw4

解压，然后，将该数据集放在py-faster-rcnn\data下，用你的数据集替换VOC2007数据集。（替换Annotations，ImageSets和JPEGImages）

（用你的Annotations，ImagesSets和JPEGImages替换py-faster-rcnn\data\VOCdevkit2007\VOC2007中对应文件夹）

（6）下载ImageNet数据集下预训练得到的模型参数（用来初始化）

提供一个百度云地址：http://pan.baidu.com/s/1hsxx8OW

解压，然后将该文件放在py-faster-rcnn\data下

下面是训练前的一些修改。

1.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_fast_rcnn_train.pt修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: 'data'  
  3.   type: 'Python'  
  4.   top: 'data'  
  5.   top: 'rois'  
  6.   top: 'labels'  
  7.   top: 'bbox_targets'  
  8.   top: 'bbox_inside_weights'  
  9.   top: 'bbox_outside_weights'  
  10.   python_param {  
  11.     module: 'roi_data_layer.layer'  
  12.     layer: 'RoIDataLayer'  
  13.     param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1  
  14.   }  
  15. }  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: "cls_score"  
  3.   type: "InnerProduct"  
  4.   bottom: "fc7"  
  5.   top: "cls_score"  
  6.   param { lr_mult: 1.0 }  
  7.   param { lr_mult: 2.0 }  
  8.   inner_product_param {  
  9.     num_output: 16 #按训练集类别改，该值为类别数+1  
  10.     weight_filler {  
  11.       type: "gaussian"  
  12.       std: 0.01  
  13.     }  
  14.     bias_filler {  
  15.       type: "constant"  
  16.       value: 0  
  17.     }  
  18.   }  
  19. }  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: "bbox_pred"  
  3.   type: "InnerProduct"  
  4.   bottom: "fc7"  
  5.   top: "bbox_pred"  
  6.   param { lr_mult: 1.0 }  
  7.   param { lr_mult: 2.0 }  
  8.   inner_product_param {  
  9.     num_output: 64 #按训练集类别改，该值为（类别数+1）*4  
  10.     weight_filler {  
  11.       type: "gaussian"  
  12.       std: 0.001  
  13.     }  
  14.     bias_filler {  
  15.       type: "constant"  
  16.       value: 0  
  17.     }  
  18.   }  
  19. }  

2.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_rpn_train.pt修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: 'input-data'  
  3.   type: 'Python'  
  4.   top: 'data'  
  5.   top: 'im_info'  
  6.   top: 'gt_boxes'  
  7.   python_param {  
  8.     module: 'roi_data_layer.layer'  
  9.     layer: 'RoIDataLayer'  
  10.     param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1  
  11.   }  
  12. }  

3.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage2_fast_rcnn_train.pt修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: 'data'  
  3.   type: 'Python'  
  4.   top: 'data'  
  5.   top: 'rois'  
  6.   top: 'labels'  
  7.   top: 'bbox_targets'  
  8.   top: 'bbox_inside_weights'  
  9.   top: 'bbox_outside_weights'  
  10.   python_param {  
  11.     module: 'roi_data_layer.layer'  
  12.     layer: 'RoIDataLayer'  
  13.     param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1  
  14.   }  
  15. }  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: "cls_score"  
  3.   type: "InnerProduct"  
  4.   bottom: "fc7"  
  5.   top: "cls_score"  
  6.   param { lr_mult: 1.0 }  
  7.   param { lr_mult: 2.0 }  
  8.   inner_product_param {  
  9.     num_output: 16 #按训练集类别改，该值为类别数+1  
  10.     weight_filler {  
  11.       type: "gaussian"  
  12.       std: 0.01  
  13.     }  
  14.     bias_filler {  
  15.       type: "constant"  
  16.       value: 0  
  17.     }  
  18.   }  
  19. }  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: "bbox_pred"  
  3.   type: "InnerProduct"  
  4.   bottom: "fc7"  
  5.   top: "bbox_pred"  
  6.   param { lr_mult: 1.0 }  
  7.   param { lr_mult: 2.0 }  
  8.   inner_product_param {  
  9.     num_output: 64 #按训练集类别改，该值为（类别数+1）*4  
  10.     weight_filler {  
  11.       type: "gaussian"  
  12.       std: 0.001  
  13.     }  
  14.     bias_filler {  
  15.       type: "constant"  
  16.       value: 0  
  17.     }  
  18.   }  
  19. }  

4.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage2_rpn_train.pt修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: 'input-data'  
  3.   type: 'Python'  
  4.   top: 'data'  
  5.   top: 'im_info'  
  6.   top: 'gt_boxes'  
  7.   python_param {  
  8.     module: 'roi_data_layer.layer'  
  9.     layer: 'RoIDataLayer'  
  10.     param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1  
  11.   }  
  12. }  

5.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/faster_rcnn_test.pt修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: "cls_score"  
  3.   type: "InnerProduct"  
  4.   bottom: "fc7"  
  5.   top: "cls_score"  
  6.   inner_product_param {  
  7.     num_output: 16 #按训练集类别改，该值为类别数+1  
  8.   }  
  9. }  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.   name: "bbox_pred"  
  3.   type: "InnerProduct"  
  4.   bottom: "fc7"  
  5.   top: "bbox_pred"  
  6.   inner_product_param {  
  7.     num_output: 64 #按训练集类别改，该值为（类别数+1）*4  
  8.   }  
  9. }  

6.py-faster-rcnn/lib/datasets/pascal_voc.py修改

（1）

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. class pascal_voc(imdb):  
  2.     def __init__(self, image_set, year, devkit_path=None):  
  3.         imdb.__init__(self, 'voc_' + year + '_' + image_set)  
  4.         self._year = year  
  5.         self._image_set = image_set  
  6.         self._devkit_path = self._get_default_path() if devkit_path is None \  
  7.                             else devkit_path  
  8.         self._data_path = os.path.join(self._devkit_path, 'VOC' + self._year)  
  9.         self._classes = ('__background__', # always index 0  
  10.                          '你的标签1','你的标签2',你的标签3','你的标签4'  
  11.                       )  

上面要改的地方是

修改训练集文件夹：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. self._data_path = os.path.join(self._devkit_path, 'VOC'+self._year)  

用你的数据集直接替换原来VOC2007内的Annotations，ImageSets和JPEGImages即可,以免出现各种错误。


修改标签：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. self._classes = ('__background__', # always index 0  
  2.                          '你的标签1','你的标签2','你的标签3','你的标签4'  
  3.                       )  

修改成你的数据集的标签就行。


（2）

[html]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. cls = self._class_to_ind[obj.find('name').text.lower().strip()]  
这里把标签转成小写，如果你的标签含有大写字母，可能会出现KeyError的错误，所以建议标签用小写字母。

（去掉lower应该也行）

建议训练的标签还是用小写的字母，如果最终需要用大写字母或中文显示标签，可参考：

http://blog.youkuaiyun.com/sinat_30071459/article/details/51694037

7.py-faster-rcnn/lib/datasets/imdb.py修改

该文件的append_flipped_images(self)函数修改为：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. def append_flipped_images(self):  
  2.         num_images = self.num_images  
  3.         widths = [PIL.Image.open(self.image_path_at(i)).size[0]  
  4.                   for i in xrange(num_images)]  
  5.         for i in xrange(num_images):  
  6.             boxes = self.roidb[i]['boxes'].copy()  
  7.             oldx1 = boxes[:, 0].copy()  
  8.             oldx2 = boxes[:, 2].copy()  
  9.             boxes[:, 0] = widths[i] - oldx2 - 1  
  10.             print boxes[:, 0]  
  11.             boxes[:, 2] = widths[i] - oldx1 - 1  
  12.             print boxes[:, 0]  
  13.             assert (boxes[:, 2] >= boxes[:, 0]).all()  
  14.             entry = {'boxes' : boxes,  
  15.                      'gt_overlaps' : self.roidb[i]['gt_overlaps'],  
  16.                      'gt_classes' : self.roidb[i]['gt_classes'],  
  17.                      'flipped' : True}  
  18.             self.roidb.append(entry)  
  19.         self._image_index = self._image_index * 2  


这里assert (boxes[:, 2] >= boxes[:, 0]).all()可能出现AssertionError，具体解决办法参考：

！！！为防止与之前的模型搞混,训练前把output文件夹删除（或改个其他名），还要把py-faster-rcnn/data/cache中的文件和

py-faster-rcnn/data/VOCdevkit2007/annotations_cache中的文件删除（如果有的话）。

至于学习率等之类的设置，可在py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt中的solve文件设置，迭代次数可在py-faster-rcnn\tools的train_faster_rcnn_alt_opt.py中修改：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. max_iters = [80000, 40000, 80000, 40000]  
分别为4个阶段（rpn第1阶段，fast rcnn第1阶段，rpn第2阶段，fast rcnn第2阶段）的迭代次数。可改成你希望的迭代次数。

如果改了这些数值，最好把py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt里对应的solver文件（有4个）也修改，stepsize小于上面修改的数值。

8.开始训练

进入py-faster-rcnn，执行：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. ./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc  

这样，就开始训练了。

9.测试

将训练得到的py-faster-rcnn\output\faster_rcnn_alt_opt\***_trainval中ZF的caffemodel拷贝至py-faster-rcnn\data\faster_rcnn_models（如果没有这个文件夹，就新建一个），然后，修改：

py-faster-rcnn\tools\demo.py,主要修改：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. CLASSES = ('__background__',  
  2.            '你的标签1', '你的标签2', '你的标签3', '你的标签4')  

改成你的数据集标签；


[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. NETS = {'vgg16': ('VGG16',  
  2.                   'VGG16_faster_rcnn_final.caffemodel'),  
  3.         'zf': ('ZF',  
  4.                   'ZF_faster_rcnn_final.caffemodel')}  

上面ZF的caffemodel改成你的caffemodel。

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. im_names = ['1559.jpg','1564.jpg']  

改成你的测试图片。(测试图片放在py-faster-rcnn\data\demo中)

10.结果

在py-faster-rcnn下，

执行：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. ./tools/demo.py --net zf  

或者将默认的模型改为zf：

[html]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16]',  
  2.                         choices=NETS.keys(), default='vgg16')  
修改：
[html]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. default='zf'  
执行：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. ./tools/demo.py  


Faster-RCNN+ZF用自己的数据集训练模型（MATLAB版本） 

说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。

（做数据集的过程可以看http://blog.youkuaiyun.com/sinat_30071459/article/details/50723212）

Faster-RCNN源码下载地址：

Matlab版本：https://github.com/ShaoqingRen/faster_rcnn

Python版本:https://github.com/rbgirshick/py-faster-rcnn

本文用到的是Matlab版本，在Windows下运行。

python版本的训练过程：http://blog.youkuaiyun.com/sinat_30071459/article/details/51332084

资源下载：https://github.com/ShaoqingRen/faster_rcnn，网页最后有所有的资源。

准备工作：

（1）

安装vs2013；

安装Matlab；

安装CUDA；

上面的安装顺序最好不要乱，否则可能出现Matlab找不到vs的情况，在Matlab命令行窗口输入：mbuild -setup，如果出现：


说明Matlab可以找到vs2013。CUDA应在安装vs2013后再安装。

（2）

如果你的cuda是6.5，那么，运行一下：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m  

（运行代码下载失败的话，用百度云下载：https://pan.baidu.com/s/1i3m0i0H  ，解压到faster_rcnn-master下）

得到mex文件。如果不是cuda6.5（如我的是cuda7.5），则需要自己编译mex文件，编译过程参考这里：Caffe for Faster R-CNN，按步骤做就行了。


也可以下载我编译得到的文件（注意cuda版本）。

下载地址：Faster-RCNN(Matlab) external文件夹

建议还是自己编译，因为版本问题可能会出错。在训练前，可以先下载作者训练好的模型，测试一下，如果可以的话，就不用自己编译了。

测试过程：

（1）运行faster_rcnn-master\faster_rcnn_build.m

 （2）运行faster_rcnn-master\startup.m

（3）运行faster_rcnn-master\fetch_data\fetch_faster_rcnn_final_model.m  下载训练好的模型

（下载失败的话，可以用百度云下载：https://pan.baidu.com/s/1hsFKmeK ，解压到faster_rcnn-master下）

（4）修改faster_rcnn-master\experiments\script_faster_rcnn_demo.m的model_dir为你下载的模型，然后运行。

最终得到：


在训练前请确保你的路径faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下文件：

（我的OpenCV版本是2.4.9，cuda版本是7.5，因版本不同上述文件和你的编译结果可能会有差异。+caffe文件夹是从caffe-master或caffe-faster-R-CNN里拷贝过来的。）


如果你没有按上面说的测试过，请先运行：

（1）faster_rcnn-master\faster_rcnn_build.m

（2）faster_rcnn-master\startup.m

然后再进行下面的修改。

1 、VOCdevkit2007\VOCcode\VOCinit.m的修改

（1）路径的修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml'];  
  2. VOCopts.imgpath=[VOCopts.datadir VOCopts.dataset '/JPEGImages/%s.jpg'];  
  3. VOCopts.imgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s.txt'];  
  4. VOCopts.clsimgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s_%s.txt'];  
  5. VOCopts.clsrespath=[VOCopts.resdir 'Main/%s_cls_' VOCopts.testset '_%s.txt'];  
  6. VOCopts.detrespath=[VOCopts.resdir 'Main/%s_det_' VOCopts.testset '_%s.txt'];  

上面这些路径要正确，第一个是xml标签路径；第二个是图片的路径；第三个是放train.txt、val.txt、test.txt和trainval.txt的路径；第四、五、六个不需要；一般来说这些路径不用修改，你做的数据集格式和VOC2007相同就行。（图片格式默认是jpg，如果是png，修改上面第二行的代码即可。）

（2）训练集文件夹修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. VOCopts.dataset = '你的文件夹名';   

然后将VOC2007路径注释掉，上面“你的文件夹名”是你放Annotations、ImageSets、JPEGImages文件夹的文件夹名。

（3）标签的修改

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. VOCopts.classes={...  
  2.    '你的标签1'  
  3.    '你的标签2'  
  4.    '你的标签3'  
  5.    '你的标签4'};  
将其改为你的标签。

2 、VOCdevkit2007\results

results下需要新建一个文件夹，名字是1. (2)中“你的文件夹名”。“你的文件夹名”下新建一个Main文件夹。(因为可能会出现找不到文件夹的错误)

3 、VOCdevkit2007\local

local下需要新建一个文件夹，名字是1. (2)中“你的文件夹名”。（同上）

4 、function\fast_rcnn\fast_rcnn_train.m

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. ip.addParamValue('val_iters',       500,            @isscalar);   
  2. ip.addParamValue('val_interval',    2000,           @isscalar);  

可能在randperm(N,k)出现错误，根据数据集修改。（VOC2007中val有2510张图像，train有2501张，作者将val_iters设为500，val_interval设为2000，可以参考作者的设置修改，建议和作者一样val_iters约为val的1/5，val_interval不用修改）

5、function\rpn\proposal_train.m

这里的问题和fast_rcnn_train.m一样。

6.imdb\imdb_eval_voc.m

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. %do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');  
  2. do_eval = 1;  
注释掉
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');  
并令其为1，否则测试会出现精度全为0的情况

7. imdb\roidb_from_voc.m

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. ip.addParamValue('exclude_difficult_samples',       true,   @islogical);  
不包括难识别的样本，所以设置为true。(如果有就设置为false)

8.网络模型的修改

（1） models\ fast_rcnn_prototxts\ZF\ train_val.prototxt

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. input: "bbox_targets"  
  2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
  3. input_dim: 84 # 根据类别数改，该值为（类别数+1）*4  #################  
  4. input_dim: 1  
  5. input_dim: 1  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. input: "bbox_loss_weights"  
  2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
  3. input_dim: 84 # 根据类别数改，该值为（类别数+1）*4   ############  
  4. input_dim: 1  
  5. input_dim: 1  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "cls_score"  
  4.     name: "cls_score"  
  5.     param {  
  6.         lr_mult: 1.0  
  7.     }  
  8.     param {  
  9.         lr_mult: 2.0  
  10.     }  
  11.     type: "InnerProduct"  
  12.     inner_product_param {  
  13.         num_output: 21 #根据类别数改该值为类别数+1   #########  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "bbox_pred"  
  4.     name: "bbox_pred"  
  5.     type: "InnerProduct"  
  6.     param {  
  7.         lr_mult: 1.0  
  8.     }  
  9.     param {  
  10.         lr_mult: 2.0  
  11.     }  
  12.     inner_product_param {  
  13.         num_output: 84  #根据类别数改，该值为（类别数+1）*4  ##########  

（2） models\ fast_rcnn_prototxts\ZF\ test.prototxt

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "cls_score"  
  4.     name: "cls_score"  
  5.     param {  
  6.         lr_mult: 1.0  
  7.     }  
  8.     param {  
  9.         lr_mult: 2.0  
  10.     }  
  11.     type: "InnerProduct"  
  12.     inner_product_param {  
  13.         num_output: 21  #类别数+1  ##########  
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "bbox_pred"  
  4.     name: "bbox_pred"  
  5.     type: "InnerProduct"  
  6.     param {  
  7.         lr_mult: 1.0  
  8.     }  
  9.     param {  
  10.         lr_mult: 2.0  
  11.     }  
  12.     inner_product_param {  
  13.         num_output: 84  #4*(类别数+1)  ##########  

（3） models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxt

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. input: "bbox_targets"  
  2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
  3. input_dim: 84 # 4*(类别数+1)  ###########  
  4. input_dim: 1  
  5. input_dim: 1  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. input: "bbox_loss_weights"  
  2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
  3. input_dim: 84 # 4*(类别数+1)  ###########  
  4. input_dim: 1  
  5. input_dim: 1  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "cls_score"  
  4.     name: "cls_score"  
  5.     param {  
  6.         lr_mult: 1.0  
  7.     }  
  8.     param {  
  9.         lr_mult: 2.0  
  10.     }  
  11.     type: "InnerProduct"  
  12.     inner_product_param {  
  13.         num_output: 21 #类别数+1   ############  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top:"bbox_pred"  
  4.     name:"bbox_pred"  
  5.     type:"InnerProduct"  
  6.     param {  
  7.        lr_mult:1.0  
  8.     }  
  9.     param {  
  10.        lr_mult:2.0  
  11.     }  
  12.     inner_product_param{  
  13.        num_output: 84   #4*（类别数+1）   ###########  

（4） models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxt

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "cls_score"  
  4.     name: "cls_score"  
  5.     param {  
  6.         lr_mult: 1.0  
  7.     }  
  8.     param {  
  9.         lr_mult: 2.0  
  10.     }  
  11.     type: "InnerProduct"  
  12.     inner_product_param {  
  13.         num_output: 21  类别数+1 #######  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. layer {  
  2.     bottom: "fc7"  
  3.     top: "bbox_pred"  
  4.     name: "bbox_pred"  
  5.     type: "InnerProduct"  
  6.     param {  
  7.         lr_mult: 1.0  
  8.     }  
  9.     param {  
  10.         lr_mult: 2.0  
  11.     }  
  12.     inner_product_param {  
  13.         num_output: 84  #4*（类别数+1） ##########  

9.solver的修改

solver文件有3个，默认使用的solver是solver_30k40k.prototxt，如下stage 1 rpn，可以在faster_rcnn-master\experiments\+Model\ZF_for_Faster_RCNN_VOC2007.m中更换。
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. model.stage1_rpn.solver_def_file                = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'solver_30k40k.prototxt');%solver_60k80k.prototxt  
  2. model.stage1_rpn.test_net_def_file              = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'test.prototxt');  
  3. model.stage1_rpn.init_net_file                  = model.pre_trained_net_file;  


！！！为防止与之前的模型搞混,训练前把output文件夹删除（或改个其他名），还要把imdb\cache中的文件删除（如果有的话）

更为简便的方法是直接用你的数据集的Annotations、ImageSets、JPEGImages文件夹替换VOC2007对应文件夹，那么上面只需进行1.（3）、4、5、7、8的修改。

10.开始训练

（1）.下载预训练的ZF模型： fetch_data/fetch_model_ZF.m
（下载失败的话用百度云下载：https://pan.baidu.com/s/1o6zipPS ，解压到faster_rcnn-master下，预训练模型参数用于初始化）

（2）.运行：

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. experiments/script_faster_rcnn_VOC2007_ZF.m  

经过一会的准备工作，就进入迭代了：


11.训练完后

训练完后，不要急着马上测试，先打开output/faster_rcnn_final/faster_rcnn_VOC2007_ZF文件夹，打开detection_test.prototxt，作如下修改：

将relu5（包括relu5）前的层删除，并将roi_pool5的bottom改为data和rois。并且前面input: "data"下的input_dim:分别改为1,256,50,50(如果是VGG就是1,512,50,50,其他修改基本一样)，具体如下

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. input: "data"  
  2. input_dim: 1  
  3. input_dim: 256  
  4. input_dim: 50  
  5. input_dim: 50  

[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. # ------------------------ layer 1 -----------------------------  
  2. layer {  
  3.     bottom: "data"  
  4.     bottom: "rois"  
  5.     top: "pool5"  
  6.     name: "roi_pool5"  
  7.     type: "ROIPooling"  
  8.     roi_pooling_param {  
  9.         pooled_w: 6  
  10.         pooled_h: 6  
  11.         spatial_scale: 0.0625  # (1/16)  
  12.     }  
  13. }  

12.测试

训练完成后，打开\experiments\script_faster_rcnn_demo.m，将模型路径改成训练得到的模型路径：
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. model_dir                   = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC2007_ZF')  
将测试图片改成你的图片：
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. im_names = {'001.jpg', '002.jpg', '003.jpg'};  
注意：
        如果你的数据集类别比voc2007数据集多，把script_faster_rcnn_demo.m中的showboxes(im, boxes_cell, classes, 'voc')作如下修改：
改为：
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. showboxes(im, boxes_cell, classes);  
或者：
[plain]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. showboxes(im, boxes_cell, classes, 'default');  
即去掉‘voc’或将其改为‘default’。

如果测试发现出现的框很多，且这些框没有目标，可以将阈值设高一些（默认是0.6）：
[html]  view plain  copy
  在CODE上查看代码片 派生到我的代码片
  1. thres = 0.9;  


结果如下：
















Faster-RCNN+ZF用自己的数据集训练模型(Matlab版本)
小咸鱼_的博客
01-20 9万+
说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。做好数据集后，我们开始训练，下面是训练前的一些修改。 1 、VOCdevkit2007\VOCcode\VOCinit.m的修改 （1）路径的修改 VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml']; VOCop
Faster-RCNN+ZF用自己的数据集训练模型(Python版本)
热门推荐
小咸鱼_的博客
05-06 14万+
说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。 （做数据集的过程可以看这里） Faster-RCNN源码下载地址： Matlab版本：https://github.com/ShaoqingRen/faster_rcnn Python版本:https://github.com/rbgirshick/py-faster-rcnn
Faster-RCNN+ZF制作自己的数据集和训练模型完整文件及教程(Matlab版本）
07-09
Faster-RCNN+ZF制作自己的数据集和训练模型完整文件及教程(Matlab版本），内含详细的完整配置及操作过程。
Faster-RCNN+ZF安装及训练自己的数据集(视频演示)
la_fe_的博客
03-14 1385
Faster-RCNN+ZF用自己的数据集训练模型(Python版本) 主要参考小咸鱼和Github：py-faster-rcnn 1 环境准备 安装 Caffe 和 pycaffe，出门左转可看博主的安装记录，主要是针对 Makefile.config 的修改 在本博主安装时并未开启 USE_CUDNN 2 py-faster-rcnn下载与安装 下载 git clone --recursi...
win7 faster_rcnn 训练自己的数据 matlab
yanxiaopan的博客
09-08 927
http://blog.youkuaiyun.com/sinat_30071459/article/details/50546891 http://blog.youkuaiyun.com/u014696921/article/details/52950218下载voc2007 数据集 http://blog.youkuaiyun.com/gojawee/article/details/74912094
Deep Learning---py-faster-rcnn基于PASCAL VOC数据集训练模型
易名
05-11 2847
0 说明 系统环境为Ubuntu14.04， 已经安装好了CUDA和cuDNN以及Python等基础包。 1 设置和编译py-faster-rcnn 1.1 下载py-faster-rcnn $ git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git $ git submodule updat
使用自己的数据训练Faster-RCNN
cuihaolong的专栏
07-31 1489
1. 制作自己的数据 1.1 文件夹格式 保留py-faster-rcnn/data/VOCdevkit2007/VOC2007/下的Annotations，ImageSets和JPEGImages文件夹，但是需要删除其中的内容，并删除SegmenttationClass和SegmentationObject文件夹，其中Annotations保存标签txt转换的xml文件，ImageSet
用faster-rcnn训练自己的数据集(VOC2007格式,python版)
Howie的博客
06-13 8445
用faster-rcnn训练自己的数据集(VOC2007格式,python版)一. 配置caffe环境ubunt16.04下caffe环境安装二. 下载,编译及测试py-faster-rcnn源码(一)下载源码github链接或者执行 git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git注意加上–recursive
已经训练好tensorflow的Faster RCNN模型下载.7z
08-09
已经训练好tensorflow的Faster RCNN模型下载，voc2007,可以直接进行目标检测
在Windows系统下，用faster-RCNN进行模型训练
Angela_qin的博客
03-05 4862
一、图片标注程序1:（实用性不高）下载地址：http://download.youkuaiyun.com/download/sinat_30071459/9573982参考网址：http://blog.youkuaiyun.com/sinat_30071459/article/details/50723212使用方法:代码已经封装成DLL，你只需要打开项目，将图像路径修改成你的即可。（我用的VS为2013）。生成的txt...
ZF预编码MATLAB代码实现
05-06
代码实现ZF迫零预编码功能。在移动通信系统中，由于多用户干扰，造成接收端信号受到干扰，可以通过在站端进行预编码消除。
faster rcnn训练（二）基于ZF（python版本）训练新增类别
weixin_39732260的博客
07-05 602
基于ubuntu16.04 +  caffe+  python +  ZF 新类别的制作基于VOC2007  VOC2012 一、VOC2007数据集的下载和解压（转发于https://blog.youkuaiyun.com/errors_in_life/article/details/70916583）   wget http://host.robots.ox.ac.uk/pascal/VOC...
[置顶] Faster-RCNN+ZF用自己的数据集训练模型(Matlab版本)
walle的博客
07-01 2080
http://blog.youkuaiyun.com/sinat_30071459/article/details/50546891
【PyTorch实战演练】Faster R-CNN介绍以及通过预训练模型30行代码实现目标检测
使者大牙ℂypher的博客
03-30 6512
Faster R-CNN介绍，并且用30行代码实现目标检测
faster rcnn代码阅读
byplane的博客
06-21 1520
1.rpn-data layer 主要作用是对每个anchor生成label，targets（gt_boxes坐标），bbox_inside_weights，bbox_outside_weights四个信息。 这个层的输入有3个，（1）经过3*3加1*1卷积后的feature map（rpn_cls_score），没怎么用到只用了feature map的长宽信息；（2）gt_boxes里面存放
py-faster-rcnn + ZF 实现自己的数据训练与检测(二)
邬小阳
03-26 7634
0.前言 在前面的一篇博客中，介绍了如何实现py-faster-rcnn的配置以及在PASCAL VOC 2007上面的训练，本节，来讲诉如何制作并训练自己的数据集。 1.制作自己的数据集
【caffe学习笔记之6】caffe-matlab/python训练LeNet模型并应用于mnist数据集（1）
汽车数据技术前瞻
01-08 1865
【案例介绍】 LeNet模型是一个用来识别手写数字的最经典的卷积神经网络，是Yann LeCun在1998年设计并提出的，是早期卷积神经网络中最有代表性的实验系统之一，其论文是CNN领域第一篇经典之作。本篇博客详细介绍基于Matlab、Python训练lenet手写模型的案例，作为前几次caffe深度学习框架的阶段性总结。 【数据准备】 数据下载地址：http://yann.lecun.co
深度学习-目标检测(四)-Faster R-CNN
最新发布
m0_73426548的博客
09-11 1144
在Faster R-CNN中加入一个提取边缘的神经网络，也就说找候选框的工作也交给神经网络来做了。这样，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。
classical CNN models : ZF Net 模型结构详解
VisualCortex
04-17 5799
ZF Net 相关文献： Visualizing and Understanding Convolutional Networks Matthew D. Zeiler and Rob Fergus D. Fleet et al. (Eds.): ECCV 2014, Part I, LNCS 8689, pp. 818–833, 2014. ZF Net是用作者的名字命名的。这篇文章的模...
评论
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