用faster-rcnn训练自己的数据集(VOC2007格式,python版)

最新推荐文章于 2025-06-09 16:14:32 发布

月zhy

最新推荐文章于 2025-06-09 16:14:32 发布

阅读量8.4k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习图像检测文章标签：图像检测深度学习

本文链接：https://blog.youkuaiyun.com/zhy8623080/article/details/73188580

本文详细介绍了如何在Ubuntu 16.04上配置Caffe环境，下载并编译py-faster-rcnn，以及训练和测试自定义VOC2007格式数据集的全过程。包括下载源码、编译源码、修改配置文件、训练模型和测试结果等关键步骤，同时列出了一些常见问题和解决方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

用faster-rcnn训练自己的数据集(VOC2007格式,python版)

一. 配置caffe环境

ubunt16.04下caffe环境安装

二. 下载,编译及测试py-faster-rcnn源码

(一)下载源码

github链接

或者执行 git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git

注意加上–recursive关键字

(二)编译源码

编译过程中可能会出现缺失一些python模块,按提示安装

(1)编译Cython模块

cd $FRCN_ROOT/lib 
make

(2)修改Markfile配置

参考ubunt16.04下caffe环境安装
中修改Makefile.config

(3)编译python接口

cd $FRCN_ROOT/caffe-fast-rcnn
make -j8  多核编译,时间较长
make pycaffe

(4)下载训练好的VGG16和ZF模型

cd $FRCN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh

时间太长的话可以考虑找网上别人分享的资源

(三)测试源码

cd $FRCN_ROOT
./tool/demo.py

三. 使用faster-rcnn训练自己的数据集

(一)下载预训练参数及模型

cd $FRCN_ROOT
./data/scripts/fetch_imagenet_models.sh
./data/scripts/fetch_selective_search_data.sh

(二)制作数据集

制作数据集(VOC2007格式)

将制作好的VOC2007文件夹放置在data/VOCdevkit2007文件夹下,没有则新建VOCdevkit2007文件夹

(三)修改配置文件

(1)修改py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_fast_rcnn_train.pt和stage2_fast_rcnn_train.pt 两个文件

备注:3处修改及其附近的代码

name: "ZF"
layer {
  name: 'data'
  type: 'Python'
 top: 'data'
top: 'rois'
top: 'labels'
 top: 'bbox_targets'
 top: 'bbox_inside_weights'
top: 'bbox_outside_weights'
python_param {
  module: 'roi_data_layer.layer'
  layer: 'RoIDataLayer'
  param_str: "'num_classes': 2" #按训练集类别改，该值为类别数+1
}
}

layer {
 name: "cls_score"
 t