运行 tf-faster-rcnn预训练集

本文详细记录了TF Faster R-CNN在GitHub上的代码安装过程及常见错误解决方案,包括pycocotools模块缺失、VOC2007数据集配置、output文件夹缺失等问题,提供实用的步骤与技巧。

github代码出处为:https://github.com/endernewton/tf-faster-rcnn

按照作者read me 里面执行没有太大过错(tiao跳了无数坑),到了 Demo and Test with pre-trained models这一步中的第4步。

4.Test with pre-trained Resnet101 models

GPU_ID=0

./experiments/scripts/test_faster_rcnn.sh $0 pascal_voc_0712 res101

错误1:no module named pycocotools._maske

解决方法:这时在第3步训练demo.py时候出现的问题,重新执行几遍即可。如果仍然不行,终端到tf-faster-rcnn,然后执行GPU_ID=0; 把CUDA_VISIBLE_DEVICES=${GPU_ID} 舍弃,直接输入:tools/demo.py即可。

错误2:

../../...../...test_net 不能生成test.txt文件

解决方法:上述错误2的目录在执行readme过程中根本没有出现。我按照这个网址https://github.com/smallcorgi/Faster-RCNN_TF/中的第5步自己下载了VOC2007 数据集,并解压。解压之后得到VOCdevkit文件夹,将其改名为VOCdevkit2007。问题解决又出现问题3.

错误3:output没有defalut文件

解决方法。cd tf-faster-rcnn后重新执行第4步 Demo and Test with pre-trained Resnet101 models。使其在tf-faster-rcnn下出现output文件夹

 

问题解决

错误4:TypeError:writh() argument must be str , no bytes

解决方法:按照https://blog.youkuaiyun.com/qq_33363973/article/details/77881168方法,在lib/datasets/voc_eval.py第122行添加‘b’保存运行。

进行改动,从新跑了一次,依然出现EOFError:Ran out of input错误。按bai'百度上的该法直接改就行了(找不到网址了)。

这是最后跑通后的运行结果,不太理想。改好了在上传

5.错误:AssertionError:path does not exist: /home/wsy/tf-faster-rcnn/data/VOCdevkit2007/VOC2007/ImageSets/Main/test.txt

解决:1)下载VOC2007数据集解压到data文件夹下

            2)将VOCdevkit改名为VOCdevkit2007

               问题解决

### 如何获取 Faster R-CNN 预训练权重 Faster R-CNN 是一种用于目标检测的端到端深度学习模型[^2]。该模型通常依赖于预训练权重来初始化网络参数,从而加速收敛并提高性能。这些预训练权重可以通过多种方式获得: #### 方法一:官方资源库 许多研究团队会公开发布他们实现的 Faster R-CNN 模型及其对应的预训练权重。例如,在 PyTorch 和 TensorFlow 这样的主流框架中,都有官方支持的 Faster R-CNN 实现。 - **PyTorch 官方仓库**: 可以通过访问 `torchvision` 提供的模型列表找到 Faster R-CNN 的预训练权重。具体命令如下: ```python import torchvision model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True) ``` - **TensorFlow 官方仓库**: 对于 TensorFlow 用户,可以利用其 Object Detection API 获取预训练模型。可以从以下链接下载 Faster R-CNN ResNet50 FPN 或其他变体的权重文件: [TensorFlow Model Zoo](https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md) 上述方法适用于希望快速启动项目的研究人员或开发者。 #### 方法二:第三方开源平台 除了官方渠道外,GitHub 上也有大量社区贡献的 Faster R-CNN 实现以及相应的预训练权重。需要注意的是,使用这些资源时应仔细验证其可靠性和兼容性。 - 推荐搜索关键词:“Faster R-CNN pretrained weights GitHub” - 示例项目之一:[matterport/Mask_RCNN](https://github.com/matterport/Mask_RCNN),尽管主要关注 Mask R-CNN,但也提供了部分 Faster R-CNN 权重。 #### 方法三:手动迁移学习 如果无法直接找到合适的预训练权重,则可以选择基于 ImageNet 数据上的分类任务所得到的基础 CNN(如 VGG16、ResNet 等)作为特征提取器,并将其权重迁移到 Faster R-CNN 架构中完成微调。 --- ### 注意事项 无论采用哪种途径获取预训练权重,请务必确认版本匹配情况(比如输入尺寸、锚框设置等),因为不同实现之间可能存在细微差异。 ```python import torch from torchvision import models, transforms # 加载预训练模型 model = models.detection.fasterrcnn_resnet50_fpn(weights="DEFAULT") # 将模型切换至评估模式 model.eval() ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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