【Faster RCNN源码解读/复现】Faster RCNN网络总览

最新推荐文章于 2024-02-21 15:38:15 发布
最新推荐文章于 2024-02-21 15:38:15 发布
阅读量1.2k 收藏 12
点赞数 3
CC 4.0 BY-SA版权
分类专栏： Faster RCNN源码解读 文章标签： Faster RCNN PyTorch 目标检测
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/weixin_30793735/article/details/88956824
写在前面

博主是一名刚转行CV不久的一枚小硕，大约半年前对目标检测相关的几个经典网络(RCNN, Fast RCNN, Faster RCNN, YOLO, SSD)等有一些简单的了解(听说而已)。这学期转行以来，准备从Faster RCNN着手，研读论文，理解并努力复现源码。经过大约一个月的努力，Faster RCNN已基本上复现完成，借优快云平台，分享自己的一些理解和感悟，希望和大家一起进步。

网络框图

在读完Faster RCNN论文之后，可以知道，Faster RCNN总体上可分为三部分，如下图所示，

  1. 用于提取图像特征，实现参数共享的多个卷积层；
  2. 用于得到Proposal（候选框）的RPN层，这也是Faster RCNN最经典的部分；
  3. 用于完成分类和边界框回归的RoI Pooling层和分类层。

Faster RCNN结构图
在实现网络的过程中，必定会将这三部分进一步地划分为最小的功能单元。

对于提取特征的卷积层，通常使用VGG、ResNet等预训练模型，当前，也可使用ShuffleNet、Inception等实现，只需要在搭建出相应网络的基本结构，下载预训练模型并在源码上做出相应的更改即可；

对于RPN层，又可分为产生anchors的generate_anchors层，对anchors进行前景/背景分类和boungding box回归的rpn_anchor_target层，以及产生最终用于目标检测的proposals的proposal_layer；

对于ROI_Pooling层，则需要将尺寸不一的proposals通过相关的Pooling技术，转换为同样的尺寸，只有这样，才能将这些proposals作为一个batch输入分类层；

对于分类层，不单单

最低0.47元/天 解锁文章

200万优质内容无限畅学
Faster R-CNN PyTorch 复现代码
u012133341的博客
06-08 142
您需要下载 Pascal VOC 数据集，例如 VOC2007 或 VOC2012。应该是一个独立的函数，而不是方法，因为它是一个通用的损失函数。来加载真实图像和标注。的核心逻辑保持不变。我们将实现一个简单的。
Faster Rcnn算法复现
azxucmkvfo的博客
10-31 2241
Faster Rcnn算法复现Faster Rnn 实现流程代码TODO 复现算法Faster Rcnn Faster Rcnn算法原文链接：https://arxiv.org/abs/1506.01497 Faster Rnn 实现流程 Faster Rcnn是双阶段目标检测家族中的一员，由Rcnn -> Spp-net -> Fast Rcnn 再到Faster Rcnn，Fast...
Faster-RCNN简易复现
ZouCharming的专栏
07-20 2266
Faster-RCNN复现 数据准备 主要目标是利用pytorch框架简易复现Faster-RCNN，我选了一个比较简单的数据集VOC2012，这个数据集标注用的xml格式。 数据读取如下： def loadXml(path): ''' 读取原始的XMLlabel文件 :return: ''' dom = xml.dom.minidom.parse(path) ​ root = dom.documentElement #获取...
复现 faster rcnn
zhangyifei0115
04-18 684
已经好几天没接着看faster rcnn的源代码了，前几天试了一下可以成功训练了。 jwyang’s github: https://github.com/jwyang/faster-rcnn.pytorch 记录一下怎么做的吧。凭印象回忆一下吧。 虚拟环境 安装虚拟环境 pip install --user virtualenv 进入虚拟环境 source zyfenv/bin/activate...
目标检测基础——Faster RCNN学习及代码复现过程
nankai_guo的博客
02-27 803
先安装labelimg，pip install labelimg即可。
【避坑指南】Linux下faster-RCNN代码复现
weixin_43998552的博客
02-21 1154
不要盲目的用作者的环境，还是得根据自己的显卡驱动版本来安装。我以为高版本能兼容低版本的，但是实测会有非常多的问题。作者有好几个版本的代码，我复现的是pytorch1.0的版本，我的配置如下，给大家提供参考。解决：cuda版本不行，到这里除了换cuda版本已经想不出其他办法了，遂换成cuda11.3和对应的cudnn及pytorch版本，解决。解决：python3.6和pytorch1.0版本不兼容，换成python3.6.2解决（此时还在cuda9的环境下配置）安装faster-RCNN代码需要的环境。
Faster-RCNN源码及其代码实现.zip
08-10
这个压缩包文件" Faster-RCNN源码及其代码实现.zip"包含了一些关键组件和资源，可以帮助我们理解并实现Faster R-CNN。 1. **Faster R-CNN架构**：Faster R-CNN由两大部分组成：区域提议网络（Region Proposal ...
Tensorflow-物体检测-Faster-Rcnn解读 教学视频
07-11
在学习阶段我们选择了tensorflow版本的faster-rcnn进行解读，对于框架的选择，大家可以看需求而选择，在代码层面tensorflow版完全是caffe版本的复现，大家只需选择自己需要学习的框架对应的代码即可，无论caffe与...
毕业设计-使用fasterrcnn开发的基于视频的行人流量密度检测-超级准-项目实战-项目源码-优质项目.zip
10-15
项目源码的提供，使得该系统具有很好的可复现性，也便于其他研究者和开发者进行学习和改进。 整个项目不仅涉及了深度学习和计算机视觉技术，还可能涉及软件工程、数据预处理、模型训练和评估等多个方面。为了确保...
Py-Faster-Rcnn配置教程及错误解决(caffe)
算法之美
11-18 341
Py-Faster-Rcnn配置教程及常见错误解决(caffe实现)
Fast RCNN代码复现
m0_51619560的博客
12-25 1174
项目源代码下载地址：https://www.alipan.com/s/FqYEYzqCe7k 提取码:ue87 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。项目目录如下;对Fast RCNN的论文理解见专栏的上篇内容，本文介绍Fast RCNN的代码复现。
PyTorch faster_rcnn之一—复现代码-附件资源
03-02
PyTorch faster_rcnn之一—复现代码-附件资源
FasterRCNN视频讲解-1.2 FasterRCNN 代码实现
03-13
自己精心整理的FasterRCNN视频讲解mp4,华文讲解,很详细!分两部分,这是1.2 FasterRCNN 代码实现
代码 FasterRcnn
01-01
引用自github的fasterrcnn代码，能够实现文章中的实验，安装readme配置即可
Faster R-CNN论文复现
~华仔的博客
03-07 704
主要看两个博客： 博客一： 逐字理解目标检测一：https://blog.youkuaiyun.com/qq_32678471/article/details/84776144 逐字理解目标检测二：https://blog.youkuaiyun.com/qq_32678471/article/details/84792307 逐字理解目标检测三：https://blog.youkuaiyun.com/qq_32678471/...
【目标检测】Faster R-CNN的复现
qq_44747572的博客
10-30 3023
文章目录0. 利用Git下载Code1. 数据准备2. 模型加载3. 模型训练4. 模型测试 0. 利用Git下载Code Git的安装及使用： https://blog.youkuaiyun.com/qq_44747572/article/details/121006841 克隆Code： pytorch1.0.0版源码： https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0 下载zip，在指定文件夹内进行解压： 1. 数据准备 切换路
基于tensorflow-cpu的fasterrcnn复现目标识别
qq_44645564的博客
03-10 1188
基于tensorflow-cpu的fasterrcnn复现目标识别 由于老师项目需要，要求在不完全了解机器学习和python的情况下实现对金叉石斛的叶片和茎部识别。由于具体数据集尚未制作完成，这里采用的是网上的COCO数据集。 首先是安装Anaconda和python3.5的安装，Anaconda是一个开源的python及其科学包管理器，安装之后可以很方便的安装各类python开源库。tensor...
faster rcnn复现
最新发布
01-06
### Faster R-CNN 实现教程 #### 一、环境准备 为了成功运行Faster R-CNN，需先配置好开发环境。推荐使用Anaconda来管理Python包和虚拟环境。 安装PyTorch及相关依赖库： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` #### 二、获取代码资源 可以从GitHub上找到多个开源项目提供完整的Faster R-CNN实现方案[^3]。例如biluko的仓库提供了详尽的目标检测算法实践指南以及配套的数据集处理工具。 下载并解压源码文件夹后，在命令行界面进入该项目目录下继续操作： ```bash git clone https://github.com/biluko/Faster-RCNN-Pytorch.git cd Faster-RCNN-Pytorch ``` #### 三、数据预处理 对于输入图像尺寸不一致的情况，通常会采用固定大小缩放的方式统一图片分辨率。此外还需要对原始标注信息进行转换以便后续训练过程调用。 创建自定义Dataset类继承`torch.utils.data.Dataset`接口，并重写其内部函数完成读取样本路径列表、加载单张图及其对应标签等功能。 ```python from PIL import Image import os.path as osp class MyDataSet(Dataset): def __init__(self, root_dir, anno_file, transform=None): self.root_dir = root_dir self.transform = transform with open(anno_file,'r') as f: lines=f.readlines() self.img_files=[osp.join(root_dir,line.strip().split(' ')[0])for line in lines] self.label_files=[line.strip().split(' ')[1:]for line in lines] def __len__(self):return len(self.img_files) def __getitem__(self,idx): img_path=self.img_files[idx] labels=self.label_files[idx] image = Image.open(img_path).convert("RGB") target={} boxes=torch.as_tensor([[float(i) for i in box.split(',')]for box in labels],dtype=torch.float32) area=(boxes[:,3]-boxes[:,1])*(boxes[:,2]-boxes[:,0]) iscrowd=torch.zeros((boxes.shape[0],),dtype=torch.int64) target["boxes"]=boxes target["labels"]=torch.ones((boxes.shape[0]),dtype=torch.int64)#假设所有类别都是同一类 target["image_id"]=torch.tensor([idx]) target["area"]=area target["iscrowd"]=iscrowd if self.transform!=None:image,target=self.transform(image,target) return image,target ``` #### 四、构建模型结构 基于官方文档说明搭建基础骨干网VGG16作为特征抽取器部分；接着引入Region Proposal Network (RPN)，用于生成候选框；最后通过RoI Pooling层连接到分类回归子网络完成最终预测输出。 ```python model=models.detection.fasterrcnn_resnet50_fpn(pretrained=True) in_features=model.roi_heads.box_predictor.cls_score.in_features model.roi_heads.box_predictor=FasterRCNNPredictor(in_features,num_classes=len(CLASSES)) ``` #### 五、设置超参数与优化策略 调整学习率衰减机制、权重初始化方式等细节有助于提高收敛速度及泛化能力。同时考虑到GPU显存限制因素可适当减少batch size大小以适应不同硬件条件下的实验需求。 ```python device='cuda'if torch.cuda.is_available()else 'cpu' num_epochs=10 lr=0.005 momentum=0.9 weight_decay=0.0005 optimizer=torch.optim.SGD(model.parameters(),lr,momentum=momentum, weight_decay=weight_decay,nesterov=True) scheduler=torch.optim.lr_scheduler.StepLR(optimizer,step_size=3,gamma=0.1) ``` #### 六、启动训练流程 编写循环迭代逻辑控制整个训练周期内的前向传播计算损失值反传更新权值等一系列动作直至满足停止准则为止。 ```python def train_one_epoch(model,data_loader,optimizer,device,scheduler=None): model.train() losses_avg=[] for images,targets in tqdm(data_loader): images=list(image.to(device)for image in images) targets=[{k:v.to(device)for k,v in t.items()}for t in targets] loss_dict=model(images,targets) losses=sum(loss for loss in loss_dict.values()) optimizer.zero_grad() losses.backward() optimizer.step() losses_reduced=synchronize_losses(losses) losses_avg.append(losses_reduced.item()) scheduler.step() return np.mean(losses_avg) for epoch in range(num_epochs): mean_loss=train_one_epoch(model,dataloader_train,optimizer,device,scheduler) print(f"Epoch {epoch}/{num_epochs}, Loss:{mean_loss:.4f}") ```
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