Mxnet 下 R-FCN 训练自己的数据集

最新推荐文章于 2025-04-05 09:14:12 发布
最新推荐文章于 2025-04-05 09:14:12 发布
阅读量752 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Mxnet 文章标签： deep learning object detection R-FCN mxnet 自己的数据集
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/xy_zhangchn/article/details/82740361
本文介绍了如何在Mxnet框架下使用R-FCN进行对象检测，特别是针对小物体的检测。首先，通过LabelImg工具制作Pascal VOC格式的数据集，接着划分trainval和test集。然后，修改配置文件，并下载预训练模型开始训练。文章提供了一步步的操作指导和脚本，适合需要训练R-FCN模型的读者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

这篇文章最开始由我写在简书，欢迎到简书关注我 Link
SSD 对于小物体的检测远不及 R-FCN。因为工作的需要就训练了一个 R-FCN 的模型。使用到的 Deformable-ConvNets 在这里

制作 Pascal VOC 格式数据集

使用 LabelImg 标记数据集，将生成图片对应的 .xml 文件。下载地址：LabelImg for win and linux (macOS用户需要从源码编译，Github : labelImg)

# 首先下载 Deformable-ConvNets 源码
git clone https://github.com/msracver/Deformable-ConvNets.git

# 创建数据集目录
cd Deformable-ConvNets/
sh init.sh
cd data/
mkdir VOCdevkit && cd VOCdevkit
mkdir VOC2007 && cd VOC2007
mkdir Annotations
mkdir JPEGImages
最低0.47元/天 解锁文章

200万优质内容无限畅学
深度学习实战（七）——目标检测API训练自己的数据集（R-FCN数据集制作+训练+测试）
qq_37764129的博客
05-20 5053
TensorFlow提供的网络结构的预训练权重：https://cloud.tencent.com/developer/article/1006123 将voc数据集转换成.tfrecord格式供tensorflow训练用：https://blog.youkuaiyun.com/guoyunfei20/article/details/80626040 训练自己的数据集大体流程如右侧所示： caff...
R-FCN训练自己得数据集（代补充）
zxmyoung的博客
09-02 543
前言 RFCN和faster rcnn算法模型原理非常类似，也有RPN，也是分两阶段来进行目标检测。主要不同点就是RFCN添加了Position Sensitive ROI Pooling层,这样使得ROI Pooling前已经带有位置信息，后面只需要做分类即可。基于这一改变，使得后面全连接层可以省略掉，模型size减少很多，计算量大为减少，从而效率提高了，而准确度还能和faster rcnn相当。 参考：https://blog.youkuaiyun.com/sinat_30071459/article/deta
ＭＸＮｅｔ：训练自己的数据并做预测
凌桑的自我修养--You are the Eternity
04-27 4354
Prepare the input dataBecause the input data’s formt of MXNet is rec,so we must turn the image into the .rec format,as folow:First, we prepare some face images data stored in ‘test_face’ file:step1:bui
R-FCN在linux下的配置（py-R-FCN）并训练自己的数据集
蚂蚁搬家
03-08 2422
本文是R-FCN代码的python版源码配置，操作系统为Ubuntu16.04R-FCN: Object Detection via Region-based Fully Convolutional Networks，与先前的基于区域的检测器（诸如Fast/Faster R-CNN）在每个区域子网络几百次的高成本计算相反，R-FCN的基于区域的检测器是利用深度完全卷积网络，几乎所有计算在整个图像上...
py-r-fcn训练自己的数据
A20120942的博客
06-27 918
https://github.com/YuwenXiong/py-R-FCN按照voc格式制作训练数据，Main里面只需要train，trainval就可以。文件夹格式和voc2007的要一样，这样可以防止更改里面的东西。以及.prototxtcaffe 版本：https://github.com/Microsoft/caffe/tree/1a2be8ecf9ba318d516d79187845e...
基于Python的MXNet版本R-FCN对象检测算法
对于 py-R-FCN 模型来说，开发者和研究人员需要对训练好的模型进行一系列的测试，来验证模型在未见过的数据上的表现，并确保其鲁棒性和准确性。 ### 知识点四：开源 开源指的是将软件的源代码公开，允许社区成员...
R-FCN环境搭建cpu版
02-23
通过以上步骤，可在纯 CPU 环境下完成 R-FCN 的搭建与训练。尽管速度较慢，但通过轻量化模型、数据优化和代码调整，仍能满足实验或小规模任务需求。如需高效训练，建议结合 **Google Colab 免费 GPU** 临时加速。
R-FCN环境搭建在cpu中Python版
02-23
用户之前已经询问过在没有GPU的情况下如何搭建深度学习环境，现在具体到R-FCN模型，可能需要更详细的指导。 首先，我应该回忆一下R-FCN是什么。R-FCN（Region-based Fully Convolutional Networks）是目标检测模型...
R-FCN环境搭建（只使用cpu）Python版
03-12
5. 下载R-FCN的配置文件，并准备数据集。 但用户可能只是想运行demo，不一定需要训练，因此可能需要指导用户如何加载预训练模型并进行推理。 不过，预训练模型可能是在GPU上训练的，但PyTorch允许在加载时将模型...
如何训练自己的数据集 智慧化盲道分割及盲道障碍物检测数据
2401_88441190的博客
10-26 1064
智慧化盲道分割及盲道障碍物检测数据集 一，盲道分割数据集，共1.7GB，标注路人行走视角盲道位置，以mask图形式标注。二，盲道及周边障碍物检测数据集，共7900张6.4Gvoc格式标注人汽车路障狗等
盲道检测数据集VOC+YOLO格式2173张1类别.7z
06-05
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2173 标注数量(xml文件个数)：2173 标注数量(txt文件个数)：2173 标注类别数：1 标注类别名称:["mangdao"] 每个类别标注的框数： mangdao 框数 = 2371 总框数：2371 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：blog.youkuaiyun.com/FL1623863129/article/details/139470339
盲道分割.zip（含过程图）
05-28
matlab实现 首先基于边沿检测，然后从采取hough变换确定盲道的大致范围，最终采用规划的算法，获取盲道区域。
使用深度学习框架目标检测算法yolov8训练盲道及障碍物检测数据集，并通过建立gui界面对道路中的盲道及障碍物识别。
2401_88440984的博客
03-20 1029
使用深度学习框架目标检测算法yolov8训练盲道及障碍物检测数据集，并通过建立gui界面对道路中的盲道及障碍物识别。
盲道类型识别人行道分割障碍物识别系统：便捷式训练
qmsb99的博客
10-28 1463
数据集信息展示在本研究中，我们采用了名为“footpath-segmentation”的数据集，以支持对盲道类型的识别和人行道分割障碍物的识别系统的训练与改进。该数据集专门设计用于提高YOLOv8-seg模型在复杂环境中对不同类型障碍物的识别能力，尤其是在城市街道和人行道场景中。数据集的构建考虑到了多样性和代表性，确保其能够有效反映现实世界中人行道的各种情况。
深度学习框架如何训练自己的数据集之—智慧化盲道分割及盲道障碍物检测数据集 盲道检测与分割如何训练自己的权重文件识别检测障碍和盲道
最新发布
2401_88440984的博客
04-05 1164
深度学习框架如何训练自己的数据集之—智慧化盲道分割及盲道障碍物检测数据集 盲道检测与分割如何训练自己的权重文件识别检测障碍和盲道
基于YOLOv5的障碍物检测系统开发
02-10 684
YOLOv5是由Ultralytics团队开发的一种目标检测算法。与YOLO的前几代不同，YOLOv5是基于PyTorch框架开发的，并且不断进行迭代优化。YOLOv5能够高效、准确地识别图片中的多个目标对象，并且具有实时推理能力，广泛应用于自动驾驶、安防监控、机器人等场景。高效性：YOLOv5采用了一些轻量级的卷积神经网络结构，适合于资源有限的设备上运行。实时性：得益于其结构优化，YOLOv5可以在GPU和CPU上进行实时推理。易用性。
[数据集][目标检测]盲道检测数据集VOC+YOLO格式2173张1类别
FL1623863129的博客
06-05 960
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2173。标注数量(xml文件个数)：2173。标注数量(txt文件个数)：2173。标注类别名称:["mangdao"]mangdao 框数 = 2371。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
全国大学生计算机设计大赛-智慧导盲挑战赛
m0_63642362的博客
08-27 1907
从入门到部署全流程分析
mxnet实战笔记(1) - 使用自己的图片数据训练CNN模型
IndieCoder
02-21 4527
将自己的图片数据集导入mxnet训练一个cnn模型。
评论 1
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