Learning from the mistakes

我在运行自己的数据集时，会报上述的bounding box坐标的错误，说明你的bounding box的坐标越界了，需要比较一下方框的xmax,ymax是否在图片的尺寸范围内：即xmaxymax如图片的size为： 1920 1080 3 比如下面的ymax就超过了 NoInterestArea Right-Front

我的版本是tensorflow-gpu 1.2 然后就会报错，我的输出为：whsyxt@whsyxt:~/Downloads/gaoshengwu/models/research/object_detection$ python3 export_inference_graph.py \> --input_type image_tensor \> --pipeline_con

最近由于项目的需要，需要把SSD-tensorflow 的代码移植到Jetson-TX2上来看看效果，结果还是不尽人意，我们测试的结果是每秒只能2帧左右，确实很慢，不过精度还是可以的。我这里把移植的过程分享出来。首先需要装一些东西，命令如下：由于可能pip库里面没有很多包，一般我建议采取apt-get来安装sudo apt-get install python-pipsudo p

我们经常需要制作voc2007格式的数据，需要找一个voc2007里面的xml作为编成的参考，我这里贴出一个voc2007 xml的示例，供大家编程解析xml和创建xml的时候的参考。 VOC2007 000001.jpg The VOC2007 Database PASCAL VOC2007 flickr 341012865 Fried Camel

由于开发的需要，我需要将代码移植到TX2上，但是tx2上没有合适的tensorflow版本，这里有两种方法，其中一种是根据https://github.com/jetsonhacks/installTensorFlowTX2上面的教程自己编译一个，另一种就是使用别人预编译好的，但是我在github上找的预编译tensorflow版本都安装不成功，我这里把资源分享给大家，其为python 2.7

感想如果制作数据集不清楚的，请参考我的博客：http://blog.youkuaiyun.com/w5688414/article/details/78970874，这里我介绍一下，怎样利用自己的数据集进行训练啦。我用的是python3，ubuntu16.04来跑模型的我建议最好把官网的demo跑通以后，熟悉一下流程，然后进行下面的操作，不然很容易走进误区。训练首先git下载tenso

感想前一段时间，利用tensorflow object detection跑了一些demo，然后成功的训练了自己的模型，这里我把我的方法分享出来，希望能够帮助大家。tensorflow object detection api的github 开源地址为，https://github.com/tensorflow/models，这个模块比较新，有很多都在不断更新。我这里就object d

在目标检测的实践中，我们经常需要把一种格式的数据转换成另一种格式的数据，这里对DETRAC-Train-Images进行了解析，数据集的网址为：http://detrac-db.rit.albany.edu/download,下载DETRAC-Train-Images(5.22GB, 60 sequences) DETRAC-Train-Annotations-XML我的解析代码开源地址...

最近需要使用yolo 9000的预训练模型，我用的是python接口，我这里分享一下我使用预训练模型的经验。我用的模型的官网地址为https://github.com/philipperemy/yolo-9000我用的是其自带的detector.py，在yolo-9000/darknet/examples目录中，需要把它放在yolo-9000/darknet目录下，我修改的detector.p

我们在用tensorflow object detection api的时候，会遇见上述的问题，这时需要加一下环境变量。我的命令为：sudo vim ~/.bashrc然后在末尾加入：export PYTHONPATH="${PYTHONPATH}:/absolute/path/to/models/research:/absolute/path/to/models/research/s

我在运行tensorflow object detection API的demo的时候，出现了下面的错误：whsyxt@whsyxt:~/Downloads/gaoshengwu/models/research/object_detection$ python object_detection_tutorial.py RuntimeError: module compiled against

有时候我们需要用到opencv3.0,通过下面apt-get安装的opencv版本为opencv 2.4.9,命令为sudo apt-get install python-opencv如果要安装oepncv3.3,这里我提供编译的思路，我这里用了linux的sh脚本文件，文件名为buildOpenCV.sh，脚本内容为：#!/bin/bash# License: MIT. See l

我们在运行SSD Tensorflow版本的时候，会出现以下问题，我运行的命令为：DATASET_DIR=VOC2012/OUTPUT_DIR=tfrecordspython tf_convert_data.py \ --dataset_name=pascalvoc \ --dataset_dir=${DATASET_DIR} \ --output_name=voc

感想今天我测试了一下我自己训练的模型，和YOLOv2做了一下对比，检测的都是对的，YOLOv2版本的准确率不高，但是SSD有很多没有检测出来，召回率不怎么高。1 制作数据集最麻烦的是制作voc数据集，我这里用了公司的数据集生成器产生了很多张图片，总量大概有25000张左右。按照voc格式，把图片放在JPEGImages目录下，xml格式的文件放在Annotations目录下

在利用caffe_to_tensorflow.py来转换模型之前，我们需要设置安装一下py caffe版本，如果不会的可以参考我的博客：Ubuntu16.04安装教程pycaffe的配置当运行原作者给出命令，然后修改caffe的路径：CAFFE_MODEL=./models/VGGNet/VOC0712Plus/SSD_512x512/VGG_VOC0712Plus_SSD

我在用这个模型进行评估的时候，遇见了上述这个问题，直接用github上的命令是有问题的，我的环境是python3, tensorflow 1.4，ubuntu16.04，结果就报错了：TypeError: Can not convert a tuple into a Tensor or Operation然后，自己对这个tensorflow编程不了解，沉寂了好长时间，我的命令是：DAT

感想这篇文章应该说是SSD的续作，它把SSD后面的几层做了调整，加入了Google的Inception的结构，为了防止梯度消失和过拟合问题，引入了残差的结构，主要在检测小目标方面取得了不错的效果，如果有开源的代码实现就好了，如果有哥们儿实现了这个版本，可以私聊，让我和大家学习一下。1 介绍目标检测已经研究了许多年了。自从2014年提出了R-CNN，R-CNN是基于卷积神经网络的，目

感想SSD是在YOLO和faster R-CNN基础上进行构建的，它继承了YOLO的速度快的特点，和Faster R-CNN准确的特点，应该说是对现有框架的突破，我跑过SSD的目标检测模型，准确率确实比Faster R-CNN高了一大截，后面还提供了SSD实验的完整分析过程，有兴趣的可以看原论文,我是九月份看的这篇论文，然后写了一个简短的博客，可能有很多错误，现在我又重读了一遍，对博客进行了内容的...

感想原作者的github上提供了两个版本的SSD，一个是SDC-Vehicle-Detection，另一个是SSD-Tensorflow。我在实验中发现，SDC版本好久没更新了，并且用的是tensorflow 0.12,我跑了一次，发现损失莫名其妙的变为0了，最后就放弃了，然后我把KITTI转换成tfrecords的那部分代码移植到了SSD-Tensorflow版本上，经过几次修改操作终于能跑

今天在制作自己训练集合并且训练的时候，碰见了如下的错误。INFO:tensorflow:global step 20: loss = 94.2404 (0.304 sec/step)INFO:tensorflow:global step 30: loss = 107.6148 (0.304 sec/step)INFO:tensorflow:Error reported to Coordinat...