faster-rcnn.pytorch-1.0的jwyang当前最火版本代码复现与讲解

最新推荐文章于 2024-02-21 15:38:15 发布
原创 最新推荐文章于 2024-02-21 15:38:15 发布 · 4.4k 阅读 · 90 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #python #tensorflow #pytorch

文章目录

一、faster-rcnn.pytorch-1.0

1、下载代码与权重文件

选择的是当前最火的框架，直接从jwyang大神的github上下载即可，注意要选择pytorch1.0版本进行下载。
数据集准备：Pascal_VOC数据集
下载训练、验证测试数据集training, validation, test data 和 VOCdevkit

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

将三个文件解压到同一个文件夹内VOCdevkit

tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

VOC数据集的文件夹tree结构：其中Annotations内放xml标注文件，JPEGImages内放图片，ImageSets/Main/内的四个txt文件分别是测试集、训练集、训练验证集、验证集。
最终在VOCdevkit目录下有VOC2007/Annotations等文件夹，数据集格式如图所示

VOCdevkit
└── VOC2007
    ├── Annotations
    ├── ImageSets
    │   └── Main
    │       ├── test.txt
    │       ├── train.txt
    │       ├── trainval.txt
    │       └── val.txt
    └── JPEGImages

特征提取训练权重准备：作者给出了两种特征提取网络的Pretrained Models，下载完成后把他们放到data/pretrained_model目录下（见作者github）

cp /data/faster-rcnn.pytorch.zip ~/
unzip faster-rcnn.pytorch.zip

将下载的压缩包拷贝到云服务器上后进行解压。

2、先安装所有环境

要进入到faster-rcnn.pytorch目录下，后执行命令

pip install -r requirements.txt

3、相关库函数版本以及安装

sudo pip uninstall torch
sudo pip install torch==1.0.0

sudo pip uninstall torchvision
sudo pip install torchvision==0.2.1

sudo pip uninstall scipy
sudo pip install scipy==1.0.0

可以跑通的版本号

cython==0.29.21
cffi==1.11.5
opencv-python==4.3.0.36
scipy==1.0.0
msgpack==1.0.0
easydict==1.9
matplotlib==3.3.0
pyyaml==5.3.1
tensorboardX==2.1

4、创建软连接

cd faster-rcnn.pytorch/data 
# 进入到我们创建的data文件夹
ln -s /home/mist/faster-rcnn.pytorch/data/VOCdevkit VOCdevkit2007
# ln -s VOCdevkit的绝对路径 VOCdevkit2007
# ln是链接（link）命令，ln -s 表示创建软连接。具体用法是：ln -s 源文件 目标文件。

5、编译CUDA依赖环境

cd lib
sudo python setup.py build develop

6、改bug

运行出现一个错误

ImportError: cannot import name '_mask'

解决——安装CoCO API

cd data
git clone https://github.com/pdollar/coco.git 
cd coco/PythonAPI
make
cd ../../..

7、训练

CUDA_VISIBLE_DEVICES=$GPU_ID python trainval_net.py \
                   --dataset pascal_voc --net vgg16 \
                   --bs $BATCH_SIZE --nw $WORKER_NUMBER \
                   --lr $LEARNING_RATE --lr_decay_step $DECAY_STEP \
                   --cuda

可用的示例

CUDA_VISIBLE_DEVICES=0 python trainval_net.py \
                   --dataset pascal_voc --net vgg16 \
                   --epochs 1 --bs 1 --nw 4 \
                   --lr  1e-3 --lr_decay_step 5 \
                   --cuda

参数选择图
在这里插入图片描述
从断点开始继续训练方法：
例如我训练好的模型名为faster_rcnn_1_9_9547.pth，它就对应了 checksession 为1 ，checkepoch为 9，checkpoint为 9547
例如我要继续训练这个模型到20次epoch，就可以写

CUDA_VISIBLE_DEVICES=0 python trainval_net.py --dataset pascal_voc --net res101 --bs 1 --nw 4  --cuda --r true --checksession 1 --checkepoch 8 --checkpoint 9547 --epochs 20

训练过程：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

8、测试

python test_net.py --dataset pascal_voc --net vgg16 \
                   --checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \
                   --cuda

python test_net.py --dataset pascal_voc --net vgg16 \
                   --checksession 1 --checkepoch 1 --checkpoint 10021 \
                   --cuda

测试过程：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

9、demo

  • 在跑demo文件过程中，也需要把类别修改成适应你的新数据集的形式。
//个例实验
python demo.py --net vgg16  --checksession 1  --checkepoch 10 --checkpoint 359 --cuda --load_dir models

二、生成数据集

1、修改xml文件参数

import os
import os.path
import xml.dom.minidom


# path="../xml/"
path_xml = '/home/Annotations/'
path_img='/home/JPEGImage/'
files = os.listdir(path_xml)  # 得到文件夹下所有文件名称
modify_folder = "Annotations"
modify_database = "labproject"

for xmlFile in files:  # 遍历文件夹
    if not os.path.isdir(xmlFile):  # 判断是否是文件夹，不是文件夹才打开
        print(xmlFile)
        xmlFile

    filepath = os.path.join(path_xml, xmlFile)
    # 最核心的部分,路径拼接,输入的是具体路径
    dom = xml.dom.minidom.parse(os.path.join(path_xml, xmlFile))
    root = dom.documentElement

    # 修改path
    oldpath = root.getElementsByTagName('path_xm')
    # print(oldpath[0].firstChild.data)

    newpath = path_img + xmlFile[0:6] + ".jpg"
    oldpath[0].firstChild.data = newpath

    # 修改folder
    oldfolder = root.getElementsByTagName('folder')
    oldfolder[
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
06-08 143
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。
【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.csdn.net/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
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...
复现faster-rcnn（jwyang的pytorch版本）
m0_54088522的博客
01-07 1677
复现的是github上比较火的wyang版本，本地环境Ubuntu20.04+python3.6+pytorch1.5.1+cuda10.1autodl上的环境是Ubuntu20.04+python3.6+pytorch1.10.0+cuda11.3，两者都成功。
faster rcnn(pytorch)代码复现记录
卷积神经网路学习之路
10-16 1775
通过查找资料得知，imresize已经被最新版本的SciPy库所弃用，而自己报错的Python环境的SciPy库版本为1.3.0，这也正是出现上述问题的原因。 https://blog.csdn.net/discoverer100/article/details/95534621 解决方法：pip install lib ...
可能是史上最详细-Faster RCNN Pytorch 复现全纪录
热门推荐
Winshare
07-25 3万+
Faster RCNN 复现 Faster RCNN作为两阶段检测网络发展中最重要的一个网络，基本可以视为检测任务的里程碑性成果。 伴随而生的MaskRCNN，CascadeRCNN都成为了2019年这个时间点上除了各家AI大厂私有网络范围外，支撑很多业务得以开展的基础。所以，Pytorch为基础来从头复现Faster RCNN 网络是非常有必要的，其中包含了太多的Trick和理论中不会包括的先验...
Pytorch版Faster R-CNN训练自己数据集
Xinyu_cheng的博客
04-15 9545
引言 最近在做目标检测方面的代码复现，复现过程中也遇到了一些问题，现在把整个过程遇到的问题记录一下，过程分享一下。 一、Faster R-CNN 代码下载pytorch版源码：https://github.com/jwyang/faster-rcnn.pytorch.git 具体配置文中讲得很清楚，需要准备数据集、与训练的模型VGG-16 or ResNet 101（不是直接可以用的模型） 我的代...
FileNotFoundError: [Errno 2] No such file or directory: 'C:\\Users\\Administrator.DESKTOP-PA4BT54\\Desktop\\论文复现\\Faster-RCNN-Pytorch-master\\faster-rcnn-pytorch-master/VOCdevkit\\VOC2007/ImageSets/Main/train.txt'
最新发布
03-20
根据引用[1]和[2]，用户是在使用faster-RCNN的PyTorch版本训练PASCAL VOC数据集时遇到了问题。具体来说，一个是找不到某个.txt文件，另一个是找不到.xml文件。用户现在想知道如何配置文件路径，特别是关于VOC2007的...
复现目标检测Faster R-CNN代码（Pytorch1.0版本）
奥古斯都
01-19 3364
最近开始做目标检测的这个模型了，里面有用到Faster R-CNN的部分，就是关于RPN网络。捣鼓了三天了，看了无数的博客，GitHub终于跑通了代码。故作以记录。 一、代码下载地址 https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0 二、代码框架 我是通过迅雷在GitHub上下载，然后解压之后在复制到服务器。与...
Python-一个简单快速地FasterRCNN实现
08-11
一个简单快速地Faster R-CNN实现
【Faster RCNN源码解读/复现】Faster RCNN网络总览
weixin_30793735的博客
04-01 1212
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...
Faster RCNN pytorch 复现
嘿芝麻的树洞
09-19 6398
本文参考的复现代码为Faster RCNN with PyTorch。 1.Install the requirements pip install pyyaml sympy h5py cython numpy scipy menpo ·install opencv3 1.1 Update packages sudo apt-get update sudo apt-get upgrad...
Fast RCNN代码复现
m0_51619560的博客
12-25 1177
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。
目标检测 Faster RCNN全面解读复现
专注于人工智能学习，总结
11-20 1947
在介绍RPN前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。对于单通道图像+单卷积核做卷积，第一章中的图3已经展示了；对于多通道图像+多卷积核做卷积，计算方式如下：图5 多通道卷积计算方式如图5，输入有3个通道，同时有2个卷积核。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
【目标检测】Faster R-CNN论文代码复现过程解读（含源代码）
wzk4869的博客
12-01 1万+
【目标检测】Faster R-CNN论文代码复现过程解读（含源代码）
[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现
A_John 的博客
05-09 7367
[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现； 1、Real-Time Object Detection with RPN； 2、Faster R-CNN 详解； 3、Faster R-CNN 复现； 目前先进的目标检测网络如 SPP-Net 和 Fast R-CNN 都采用区域建议算法假设目标位置 ； 这些网络都缩短了检测网络的运行时间，但 区域建议计算 依然是目标检测任务的 瓶颈 问题 ； 基于此，提出了一个 区域建议网络RPN，实现与检测网络 共享 输入图像的 卷积特征 ；
【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。
实验大总结——Faster RCNN复现总结
April_Liu的blog
01-02 2176
0 写在前面 将近日复现的Faster RCNN完整总结如下，区别与YOLOv5相互补充 1 代码下载+环境配置 1.1 代码下载 在github上查找高star，擅长的框架（faster rcnn最早开源框架是matlab）开始复现 pytorch0.4.0版源码：https://github.com/jwyang/faster-rcnn.pytorch pytorch1.0.0版源码：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1
使用faster-rcnn.pytorch做示例切割
12-31
### 使用 Faster R-CNN 和 PyTorch 实现实例分割 为了实现实例分割，通常会选择使用 Mask R-CNN 而不是直接使用 Faster R-CNN。这是因为 Mask R-CNN 是在 Faster R-CNN 的基础上进行了扩展和改进，不仅能够检测图像中的对象，还能为每个对象生成精确的像素级分割掩码[^4]。 然而，在某些情况下，如果确实需要利用 Faster R-CNN 来完成类似的任务，则可以通过修改其输出来近似实现简单的实例分割功能。下面是一个简化版的例子，展示如何基于 Faster R-CNN 结合额外模块来进行实例分割： #### 安装依赖库 首先确保安装必要的 Python 库： ```bash pip install torch torchvision torchaudio ``` #### 导入所需包 加载所需的 Python 包以及预训练模型： ```python import torch from PIL import Image import matplotlib.pyplot as plt from torchvision.models.detection.mask_rcnn import maskrcnn_resnet50_fpn, MaskRCNN_ResNet50_FPN_Weights ``` #### 加载预训练模型 这里我们实际上会先加载一个已经包含了实例分割能力的 Mask R-CNN 预训练模型作为起点： ```python weights = MaskRCNN_ResNet50_FPN_Weights.DEFAULT model = maskrcnn_resnet50_fpn(weights=weights) model.eval() ``` #### 准备输入图片 读取并处理要分析的目标图片文件： ```python image_path = "example.jpg" img = Image.open(image_path).convert("RGB") preprocess = weights.transforms() batch = [preprocess(img)] prediction = model(batch)[0] labels = prediction["labels"].tolist() scores = prediction["scores"].tolist() masks = prediction["masks"] > 0.5 boxes = [[(i[0], i[1]), (i[2], i[3])] for i in prediction['boxes'].detach().numpy()] ``` #### 可视化结果 最后绘制带有边界框和遮罩的结果图： ```python plt.figure(figsize=(10, 8)) ax = plt.gca() for label, score, mask, box in zip(labels, scores, masks, boxes): ax.add_patch(plt.Rectangle(*box, fill=False, edgecolor='red', linewidth=2)) ax.text(box[0][0], box[0][1], f'{label} {score:.2f}', bbox=dict(facecolor='yellow', alpha=0.5), fontsize=9, color='black') masked_image = np.zeros_like(np.array(img), dtype=np.uint8) masked_image[mask.squeeze()] = np.array([255, 0, 0]) img_with_mask = cv2.addWeighted(np.array(img), 0.7, masked_image, 0.3, 0) plt.imshow(Image.fromarray(img_with_mask)) plt.axis('off') plt.show() ``` 需要注意的是，这段代码实际上是采用了 Mask R-CNN 模型而不是纯粹意义上的 Faster R-CNN 来执行实例分割操作。对于真正的 Faster R-CNN，由于缺乏内置的支持用于创建逐像素预测的功能，因此无法直接支持完整的实例分割特性；但是可以考虑将其与自定义层或其他第三方工具相结合以达到相似的效果。
评论 9
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