本次目标：

• 整理运行代码产生的内容
• 下载KITTI数据集和LSVH数据集
• 修改数据集样式为VOC2007
• 在新的数据集上训测

---

2019.4.13

一、准备工作

• 备份之前训练生成的文件models,output,以及没有用的qsub相关的.sh文件和文件夹（虽然这个备份似乎没有什么用）

• 下载KITTI：
  数据集： http://www.cvlibs.net/download.php?file=data_object_image_2.zip
  标注文件： http://www.cvlibs.net/download.php?file=data_object_label_2.zip
  或者KITTI官网
  

• 下载LSVH
  在作者的GitHubhttps://github.com/xw-hu/SINet上找到：https://drive.google.com/file/d/1yHeuZia3pbcbn8OLkotJGJGhczI7gM3e/view

• 下载用时很久，特别是那个12G的

• 删除data下的软链接

rm -rf VOCdevkit2007

• 删除data下的cache文件夹
• 备份原版的VOC2007文件夹到我的备份用文件夹/backup

mv ./VOC2007/ /home/jingge/hdd2T/backup/

• 删除__pycache__文件夹
• 删除_init_paths.pyc文件

---

二、操作新的文件夹

• 在移走VOC2007的位置重建一个VOC2007文件夹：

mkdir VOC2007

• 参考文章

https://blog.csdn.net/u014256231/article/details/79801665

使用mkdir命令新建文件夹：

最后结构如下：

• 解压之前下载的两个zip文件，图片放入JPEGImages里；标注信息解压后的label_2文件夹在VOC2007下，与Annotations等平行
• unzip test.zip 会默认将文件解压到当前目录，如果要解压到指定目录，可以加上 -d 选项，即 unzip test.zip -d /root/ 。故：

 unzip data_object_image_2.zip -d /home/jingge/hdd2T/faster-rcnn.pytorch/data/VOCdevkit/VOC2007/JPEGImages/

• 解压图片数据需要一点时间，结果目录如下：
  
• 再解压标签：

unzip data_object_label_2.zip -d /home/jingge/hdd2T/faster-rcnn.pytorch/data/VOCdevkit/VOC2007/

---

三、转换KITTI中标签的类别——对标注信息的txt文件进行操作

https://blog.csdn.net/u014256231/article/details/79801665

• 新建py文件

/data/VOCdevkit/VOC2007/training$ vim modify_annotations_txt.py

• 写入：
  （忽略了’DontCare’和’Misc’类，也忽略了’Cyclist’类，因为图片中这一类过于小，标注信息也不准确，肉眼都难以分辨。还合并’Person_sitting’和’Pedestrian’统一为’Pedestrian’）

#!/usr/bin/env python
# -*- coding: UTF-8 -*-  # modify_annotations_txt.py
import glob
import string  txt_list = glob.glob('./label_2/*.txt') # 存储Labels文件夹所有txt文件路径
def show_category(txt_list):  category_list= []  for item in txt_list:  try:  with open(item) as tdf:  for each_line in tdf:  labeldata = each_line.strip().split(' ') # 去掉前后多余的字符并把其分开  category_list.append(labeldata[0]) # 只要第一个字段，即类别  except IOError as ioerr:  print('File error:'+str(ioerr))  print(set(category_list)) # 输出集合  def merge(line):  each_line=''  for i in range(len(line)):  if i!= (len(line)-1):  each_line=each_line+line[i]+' '  else:  each_line=each_line+line[i] # 最后一条字段后面不加空格  each_line=each_line+'\n'  return (each_line)  print('before modify categories are:\n')
show_category(txt_list)  for item in txt_list:  new_txt=[]  try:  with open(item, 'r') as r_tdf:  for each_line in r_tdf:  labeldata = each_line.strip().split(' ')'''if labeldata[0] in ['Truck','Van','Tram','Car']: # 合并汽车类  labeldata[0] = labeldata[0].replace(labeldata[0],'car')  if labeldata[0] in ['Person_sitting','Cyclist','Pedestrian']: # 合并行人类  labeldata[0] = labeldata[0].replace(labeldata[0],'pedestrian')'''#print type(labeldata[4])if labeldata[4] == '0.00':labeldata[4] = labeldata[4].replace(labeldata[4],'1.00')if labeldata[5] == '0.00':labeldata[5] = labeldata[5].replace(labeldata[5],'1.00')if labeldata[0] == 'Truck':  labeldata[0] = labeldata[0].replace(labeldata[0],'truck')if labeldata[0] == 'Van':  labeldata[0] = labeldata[0].replace(labeldata[0],'van') if labeldata[0] == 'Tram':  labeldata[0] = labeldata[0].replace(labeldata[0],'tram')if labeldata[0] == 'Car':  labeldata[0] = labeldata[0].replace(labeldata[0],'car')#if labeldata[0] == 'Cyclist':  #labeldata[0] = labeldata[0].replace(labeldata[0],'cyclist')if labeldata[0] in ['Person_sitting','Pedestrian']: # 合并行人类  labeldata[0] = labeldata[0].replace(labeldata[0],'pedestrian')if labeldata[0] == 'Cyclist':  continueif labeldata[0] == 'DontCare': # 忽略Dontcare类  continue  if labeldata[0] == 'Misc': # 忽略Misc类  continue  new_txt.append(merge(labeldata)) # 重新写入新的txt文件  with open(item,'w+') as w_tdf: # w+是打开原文件将内容删除，另写新内容进去  for temp in new_txt:  w_tdf.write(temp)  except IOError as ioerr:  print('File error:'+str(ioerr))  print('\nafter modify categories are:\n')
show_category(txt_list)

---

四、转换标注信息格式：txt到xml

• 对原始txt文件进行上述处理后，接下来需要将标注文件从txt转化为xml，并去掉标注信息中用不上的部分，只留下3类，还有把坐标值从float型转化为int型，最后所有生成的xml文件要存放在Annotations文件夹中。

AttributeError: 'NoneType' object has no attribute 'shape'
因为这个错误折腾了一晚上，就是读图片的路径的问题
以后凡是碰到路径的问题一定再三check, check, check!!!
另外我跟参考作者文章的似乎不太一样，我下下来的KITTI数据集的图片解压出来都是png格式的，用了一个rename 's/\.png/.jpg/' *.png命令，把\faster-rcnn.pytorch\data\VOCdevkit\VOC2007\JPEGImages\training\image_2\目录下的png图片全都转换成jpg。上面说到的路径问题，也是因为JPEGImages文件夹下面分了training和testing两个文件夹，而不是图片直接在下面。

• 新建py文件

/data/VOCdevkit/VOC2007/training$ vim txt_to_xml.py

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
# txt_to_xml.py
# 根据一个给定的XML Schema，使用DOM树的形式从空白文件生成一个XML
from xml.dom.minidom import Document
import cv2
import os  def generate_xml(name,split_lines,img_size,class_ind):  doc = Document()  # 创建DOM文档对象  annotation = doc.createElement('annotation')  doc.appendChild(annotation)  title = doc.createElement('folder')  title_text = doc.createTextNode('VOC2007')#这里修改了文件夹名  title.appendChild(title_text)  annotation.appendChild(title)  img_name=name+'.jpg'#要用jpg格式    title = doc.createElement('filename')  title_text = doc.createTextNode(img_name)  title.appendChild(title_text)  annotation.appendChild(title)  source = doc.createElement('source')  annotation.appendChild(source)  title = doc.createElement('database')  title_text = doc.createTextNode('The VOC2007 Database')#修改为VOC  title.appendChild(title_text)  source.appendChild(title)  title = doc.createElement('annotation')  title_text = doc.createTextNode('PASCAL VOC2007')#修改为VOC  title.appendChild(title_text)  source.appendChild(title)  size = doc.createElement('size')  annotation.appendChild(size)  title = doc.createElement('width')  title_text = doc.createTextNode(str(img_size[1]))  title.appendChild(title_text)  size.appendChild(title)  title = doc.createElement('height')  title_text = doc.createTextNode(str(img_size[0]))  title.appendChild(title_text)  size.appendChild(title)  title = doc.createElement('depth')  title_text = doc.createTextNode(str(img_size[2]))  title.appendChild(title_text)  size.appendChild(title)  for split_line in split_lines:  line=split_line.strip().split()  if line[0] in class_ind:  object = doc.createElement('object')  annotation.appendChild(object)  title = doc.createElement('name')  title_text = doc.createTextNode(line[0])  title.appendChild(title_text)  object.appendChild(title)  title = doc.createElement('difficult')  title_text = doc.createTextNode('0')  title.appendChild(title_text)  object.appendChild(title)  bndbox = doc.createElement('bndbox')  object.appendChild(bndbox)  title = doc.createElement('xmin')  title_text = doc.createTextNode(str(int(float(line[4]))))  title.appendChild(title_text)  bndbox.appendChild(title)  title = doc.createElement('ymin')  title_text = doc.createTextNode(str(int(float(line[5]))))  title.appendChild(title_text)  bndbox.appendChild(title)  title = doc.createElement('xmax')  title_text = doc.createTextNode(str(int(float(line[6]))))  title.appendChild(title_text)  bndbox.appendChild(title)  title = doc.createElement('ymax')  title_text = doc.createTextNode(str(int(float(line[7]))))  title.appendChild(title_text)  bndbox.appendChild(title)  # 将DOM对象doc写入文件  f = open('/home/jingge/hdd2T/faster-rcnn.pytorch/data/VOCdevkit/VOC2007/Annotations/'+name+'.xml','w')   # Annotations/#f = open('Annotations/'+name+'.xml','w')f.write(doc.toprettyxml(indent = ''))  f.close()  if __name__ == '__main__':  class_ind=('van', 'tram', 'car', 'pedestrian', 'truck')#修改为了5类  cur_dir=os.getcwd()  print(cur_dir) #wjglabels_dir=os.path.join(cur_dir,'label_2') print(labels_dir)  #wjgfor parent, dirnames, filenames in os.walk(labels_dir): # 分别得到根目录，子目录和根目录下文件     for file_name in filenames:  full_path=os.path.join(parent, file_name) # 获取文件全路径  #print full_path  print(full_path) # wjgf=open(full_path)  split_lines = f.readlines()  name= file_name[:-4] # 后四位是扩展名.txt，只取前面的文件名  #print name  img_name=name+'.jpg'  img_path=os.path.join('/home/jingge/hdd2T/faster-rcnn.pytorch/data/VOCdevkit/VOC2007/JPEGImages',img_name) # 路径需要自行修改              #print img_path  # wjgprint("img_path",img_path)img_size=cv2.imread(img_path).shape  generate_xml(name,split_lines,img_size,class_ind)
print('all txts has converted into xmls')

• 运行py文件

/data/VOCdevkit/VOC2007/training$ python txt_to_xml.py

---

五、生成训练验证集和测试集列表

这个工具是用Python3写的，所以执行的时候要进入文件目录（我把这个py放在了/hdd2T/faster-rcnn.pytorch/data/VOCdevkit/VOC2007/training里面，和前两个py文件一样）后，执行：

python3 create_train_test_txt.py

# create_train_test_txt.py
# encoding:utf-8
import pdb
import glob
import os
import random
import math  def get_sample_value(txt_name, category_name):  label_path = './label_2/'  txt_path = label_path + txt_name+'.txt'  try:  with open(txt_path) as r_tdf:  if category_name in r_tdf.read():  return ' 1'  else:  return '-1'  except IOError as ioerr:  print('File error:'+str(ioerr))  txt_list_path = glob.glob('./label_2/*.txt')
txt_list = []  for item in txt_list_path:  temp1,temp2 = os.path.splitext(os.path.basename(item))  txt_list.append(temp1)
txt_list.sort()
print(txt_list, end = '\n\n')  # 有博客建议train:val:test=8:1:1，先尝试用一下
num_trainval = random.sample(txt_list, math.floor(len(txt_list)*9/10.0)) # 可修改百分比
num_trainval.sort()
print(num_trainval, end = '\n\n')  num_train = random.sample(num_trainval,math.floor(len(num_trainval)*8/9.0)) # 可修改百分比
num_train.sort()
print(num_train, end = '\n\n')  num_val = list(set(num_trainval).difference(set(num_train)))
num_val.sort()
print(num_val, end = '\n\n')  num_test = list(set(txt_list).difference(set(num_trainval)))
num_test.sort()
print(num_test, end = '\n\n')  # pdb.set_trace()  # wjgMain_path = '/home/jingge/hdd2T/faster-rcnn.pytorch/data/VOCdevkit/VOC2007/ImageSets/Main/'
train_test_name = ['trainval','train','val','test']
category_name = ['van', 'tram', 'car', 'pedestrian', 'truck']#修改类别  # 循环写trainvl train val test
for item_train_test_name in train_test_name:  list_name = 'num_'  list_name += item_train_test_name  train_test_txt_name = Main_path + item_train_test_name + '.txt'   try:  # 写单个文件  with open(train_test_txt_name, 'w') as w_tdf:  # 一行一行写  for item in eval(list_name):  w_tdf.write(item+'\n')  # 循环写Car Pedestrian Cyclist  for item_category_name in category_name:  category_txt_name = Main_path + item_category_name + '_' + item_train_test_name + '.txt'  with open(category_txt_name, 'w') as w_tdf:  # 一行一行写  for item in eval(list_name):  w_tdf.write(item+' '+ get_sample_value(item, item_category_name)+'\n')  except IOError as ioerr:  print('File error:'+str(ioerr))

---

六、代码的修改

数据集准备完毕，接下来该改一下运行训练的代码了。
参考：

https://blog.csdn.net/weixin_43380510/article/details/83004127

2019.4.14

昨天晚上加今天早上又作了如下几个修改：

• 将data/VOCdevkit/VOC2007/JPEGImages/training/image_2下的jpg图片全部都转到了./JPEGImages/下面，这是参考原VOC2007数据集发现的，如下图。另外这样修改了之后在txt_to_xml.py中的图片路径要相应修改。所以昨天凌晨没有跑出来，今天上午改了之后，其实重新把三个数据处理的py文件又重新跑了一次，即重新生成了xml文件和区分训测的txt。

• **注意每次重新训练之前一定要删除data/cache！**这是因为在trainval_net.py引用的combiled_roidb函数中，有引用roidb.py下的一个prepare_roidb函数，而这个函数呢，有这么一段：

def prepare_roidb(imdb):"""Enrich the imdb's roidb by adding some derived quantities thatare useful for training. This function precomputes the maximumoverlap, taken over ground-truth boxes, between each ROI andeach ground-truth box. The class with maximum overlap is alsorecorded."""roidb = imdb.roidbif not (imdb.name.startswith('coco')):cache_file = os.path.join(imdb.cache_path, imdb.name + '_sizes.pkl')if os.path.exists(cache_file):print('Image sizes loaded from %s' % cache_file)with open(cache_file, 'rb') as f:sizes = pickle.load(f)else:print('Extracting image sizes... (It may take long time)')sizes = [PIL.Image.open(imdb.image_path_at(i)).sizefor i in range(imdb.num_images)]with open(cache_file, 'wb') as f:pickle.dump(sizes, f)print('Done!!')

就是说只有cache里面没有东西，才会去提取图片，否则会提取cache路径下的内容！博客https://blog.csdn.net/yutingzhaomeng/article/details/80328422 中有特别强调！

• 然后再进行代码的修改，也就是faster-rcnn.pytorch/lib/datasets/pascal_voc.py文件中的类别：**在pascal_voc.py中修改自己要检测的类别的时候，不要把backgroud删掉了！**https://blog.csdn.net/yutingzhaomeng/article/details/80328422 的说法是，保留background类，用于训练RPN网络，视作RPN网络的负样本。

''' wjgself._classes = ('__background__',  # always index 0'aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair','cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant','sheep', 'sofa', 'train', 'tvmonitor')'''self._classes = ('__background__','pedestrian', 'car', 'truck', 'tram', 'van')

其他我没有动。

---

七、训练

【5.3】试一试断电时能不能不删除cache直接接着读取cache继续训练

• 先跑一个epoch试试看，
  batchsize=4，然后lr和lr_decay都用默认的就是作者给出的第一个结果的参数，先试试看所以不用默认的epoch=20。见下图：

CUDA_VISIBLE_DEVICES=1 python trainval_net.py --dataset pascal_voc --net vgg16 --epochs 1 --bs 4 --nw 1  --cuda

然后出错了：

• 修改参数batch4为1，删除cache，重新跑

CUDA_VISIBLE_DEVICES=1 python trainval_net.py --dataset pascal_voc --net vgg16 --epochs 1 --bs 1 --nw 1  --cuda

这次似乎没有问题：








跑了1个epoch，生成的结果在models文件夹下，如下所示：

---

八、测试

• 跑一下测试，checksession和checkepoch都用了默认的1

python test_net.py --dataset pascal_voc --net vgg16 --checkpoint 10021 --cuda --load_dir ./data/pretrained_model/

• 报错：

• 参考文章 https://blog.csdn.net/lvsehaiyang1993/article/details/80910104 的做法，根据提示去找了/lib/datasets/voc_eval.py文件，然后看到上面报错的pose，然后注释掉了；再跑，就会出现truncated的报错，然后把它也注释掉。然后跑竟然出来了：
  
  上面修改的一段放在下面，以防之后因为我的修改出现问题：

# /lib/datasets/voc_eval.py
def parse_rec(filename):""" Parse a PASCAL VOC xml file """tree = ET.parse(filename)objects = []for obj in tree.findall('object'):obj_struct = {}obj_struct['name'] = obj.find('name').text# wjg obj_struct['pose'] = obj.find('pose').text# wjg obj_struct['truncated'] = int(obj.find('truncated').text)obj_struct['difficult'] = int(obj.find('difficult').text)bbox = obj.find('bndbox')obj_struct['bbox'] = [int(bbox.find('xmin').text),int(bbox.find('ymin').text),int(bbox.find('xmax').text),int(bbox.find('ymax').text)]objects.append(obj_struct)return objects

---

九、demo效果

• 修改demo.py中类别

# wjg 19.4.14'''pascal_classes = np.asarray(['__background__','aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair','cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant','sheep', 'sofa', 'train', 'tvmonitor'])'''pascal_classes = np.asarray(['__background__','pedestrian', 'car', 'truck', 'tram', 'van'])  # wjg

• 修改要测试的图片
  保留一张原来VOC2007中的图片
  再去KITTI挖两张——无奈系统资源不足？打不开图片文件夹？
  先测一张吧那就。
• 修改读取模型的路径

 parser.add_argument('--load_dir', dest='load_dir',help='directory to load models',default="/home/jingge/hdd2T/faster-rcnn.pytorch/models")      #wjg 4.14 for KITTI

• 运行

python demo.py --net vgg16 --checksession 1 --checkepoch 1 --checkpoint 13463 --cuda

• 结果

• 跟之前那个直接用作者的第一个上传模型相比，检测出了那个遮挡的车！
  

---

• 晚上回寝室，可以开始跑多几轮的KITTI了，一晚上训练
• 或者先看看多尺度？

---

参考文章 https://blog.csdn.net/lkl3346/article/details/42268805 用命令实现只要主机（也就是目的电脑）在运行，程序就会在运行，直到命令执行结束。

nohup command & #后台主机运行程序command

命令是否运行，可使用下面命令看看里面的内容是否变化

vim nohup.out

• 搞了一张其他地方的图来跑demo，一轮训练的结果果然很差：
  
• 晚上后台跑个epoch 20的训练试试看：）

---

2019.4.15

昨晚运行下面命令，没有指定gpu，然后6个epoch，让他在后台运行：

#CUDA_VISIBLE_DEVICES=1 python trainval_net.py --dataset pascal_voc --net vgg16 --bs 1 --nw 1  --cuda
nohup python trainval_net.py --dataset pascal_voc --net vgg16 --epochs 6 --bs 1 --nw 1 --cuda &

上午起来发现昨天训练的晚上0点20就停止了，出现了跟前面一样的问题：

• 删除所有不想关的生成的内容重来

python trainval_net.py --dataset pascal_voc --net vgg16 --epochs 6 --bs 1 --nw 1 --cuda &

• 结果一样在上次的地方出错
• 删除data/cache文件夹，删除_init_paths.pyc，删除output文件夹，删除models文件夹，删除data/pretrained/vgg16/pascal_voc文件夹下之前下载的作者训练好的1个g的pth文件（是训练好的模型）
• 发现没有加GPU，这次加上GPU试试下面的：

CUDA_VISIBLE_DEVICES=1 python trainval_net.py --dataset pascal_voc --net vgg16 --epochs 6 --bs 1 --nw 1  --cuda > output.log 2>&1 &

使用上面的命令，可以在后台进行运行：

可以看到它越过了之前出错的5300的迭代次数：

试了一下断开网络，重开一个终端，看到训练还在继续进行，到了6400：

再试一次断网重连，nozuonodie，然后我惊喜地看到，迭代到了6800，仍在默默地继续中：

• 所以这次应该可以晚上好好睡觉让它训练了。总结一下之前出错的原因点，估计是两点：
• 清理不需要的内容，重点是cache文件夹
• 指定GPU号码来运行，看一下我的程序在1号gpu的运行情况：
• 另外注意到，在我没有手动关闭或者exit最初那个执行&后台程序的putty终端的情况下，在断网两次之后，它依然是保持的active的状态，而后来两个打开检查断网情况的终端都变成了inactive：
  
  然后。。。第一epoch快完的时候还是出现了这个问题：
  
• 尝试epoch=2， bs=8
• 没有用

---

2019.4.16 训测KITTI数据集

• 训练：
  参考 https://github.com/jwyang/faster-rcnn.pytorch/issues/136
  等相关问题修改，然后运行：

CUDA_VISIBLE_DEVICES=0 python trainval_net.py --dataset pascal_voc --net vgg16 --epochs 6 --bs 1 --nw 1 --cuda >output.log 2>&1 &

早上起来普天同庆：

十一点训练完了thank god：

可以看到，生成一个epoch的模型用了两个小时，跟之前的一样：

---

• 测试：

python test_net.py --dataset pascal_voc --net vgg16 --checkepoch 6 --checkpoint 13463 --cuda

mAP=0,8428约等于0.843哈哈哈哈

• demo：
  先从KITTI搞几张新图片，复制到images里面重命名

# 复制
faster-rcnn.pytorch/data/VOCdevkit/VOC2007/JPEGImages/testing/image_2$ cp -i 000000.jpg /home/jingge/hdd2T/faster-rcnn.pytorch/images/
# 重命名
faster-rcnn.pytorch/images$ mv 000000.jpg img3.jpg
# 直接复制加重命名
faster-rcnn.pytorch/data/VOCdevkit/VOC2007/JPEGImages/testing/image_2$ cp -i 000001.jpg /home/jingge/hdd2T/faster-rcnn.pytorch/images/img4.jpg
faster-rcnn.pytorch/data/VOCdevkit/VOC2007/JPEGImages/testing/image_2$ cp -i 000002.jpg /home/jingge/hdd2T/faster-rcnn.pytorch/images/img5.jpg

运行：

python demo.py --net vgg16 --checksession 1 --checkepoch 6 --checkpoint 13463 --cuda

看看可视化的结果：
① 右边是新的，左边是epoch=1的结果，科技看到检测出了一个最左边遮挡的车，一共八个框，比左边多一个。

②这张结果还是不好

③这张没有检测出来：

④这张还可以：

⑤这张很多小车没检测出来啊啊啊啊：

• 备份images文件夹下的结果备查，删除images下产生的det照片以便之后再检测不会被当成原图片

faster-rcnn.pytorch$ cp -r ./images /home/jingge/hdd2T/backup/images0416/

---

• 后来还是觉得检测出来框有问题，太少了，参考文章里面的说法增加了数量：
  
  结果还真是变多了，右边是从10变成20：
  
  再改成50，其实问题还是挺多的，很多检测不出来：
  
  
  所以说还是算法本身的问题，不是这个参数设置的问题。

---

参考下面的文章进行后台运行程序和查询程序进程的操作
https://blog.csdn.net/Dby_freedom/article/details/80212107
https://blog.csdn.net/qq_16583687/article/details/77330722
nohup 命令 > output.log 2>&1 &让命令在后台执行
我用到的是 命令 > output.log 2>&1 &
cat output.log查看日志
按照https://blog.csdn.net/qq_16583687/article/details/77330722 一文的说法，nohup命令可以让你的shell命令忽略SIGHUP信号，即可以使之脱离终端运行；“&”可以让你的命令在后台运行。以脱离终端的方式在后台运行shell命令有这样几个好处：只要你执行过了命令，那么你的网络中断不会对你有任何影响，并且你就可以关闭终端软件了。注意这个时候要关putty最好用exit的方式，而不是直接×
我猜我只用了&没有用nohup可能只能断网不能exit开putty软件。

每次如果需要更换数据集
先删除原来数据集的软连接
替换掉数据集里面的内容之后
记得把软连接补回来！

毕设日志——在faster rcnn pytorch上训练KITTI数据集相关推荐

1. [深度学习] RCNNs系列（1） Ubuntu下Faster RCNN配置及训练和测试自己的数据方法

   最近用到Faster RCNN进行目标检测,前前后后两周把RCNN,SPPNet,Fast RCNN和Faster RCNN大体调查了一遍,准备写一个RCNNs系列,后面还要加上今年最新的Mask R ...

2. Mask Rcnn目标分割-训练自己数据集-详细步骤

   本文接着介绍了Mask Rcnn目标分割算法如何训练自己数据集,对训练所需的文件以及训练代码进行详细的说明. 本文详细介绍在只有样本图片数据时,如果建立Mask Rcnn目标分割训练数据集的步骤.过程 ...

3. 可能是史上最详细-Faster RCNN Pytorch 复现全纪录

   向AI转型的程序员都关注了这个号

4. pytorch版训练retinanet-csv数据集

   首先得制作好自己的数据集 我的数据是来自比赛的一个数据集 里面就是voc格式的数据集 所以 我只需要将VOC数据集转化为csv格式就可以 如果直接是图片 要制作VOC数据集的 可以看我的另一篇关于yo ...

5. faster r-cnn训练、测试、检测(含批量检测图片)

   faster r-cnn(tensorflow版本)训练VOC数据集.测试.检测指南 使用的faster r-cnn代码github地址 https://github.com/endernewton/ ...

6. faster rcnn在自己的数据集上训练

   本文是一个总结,参考了网上的众多资料,汇集而成,以供自己后续参考. 一般说来,训练自己的数据,有两种方法:第一种就是将自己的数据集完全改造成VOC2007的形式,然后放到py-faster-rcnn/ ...

7. 使用Faster R-CNN（linux-pytorch）训练自己的数据集过程记录

   目录 准备工作 源码下载 配置环境 制作VOC数据集 data目录结构 训练 编译CUDA依赖环境 预训练模型 修改pascal_voc.py文件 进行训练 遇到的问题 主要参考文章 准备工作 源码下 ...

8. 【原理篇】一文读懂Faster RCNN

   0. Faster RCNN概述 论文地址:https://arxiv.org/pdf/1506.01497.pdf Faster R-CNN源自2016年发表在cs.CV上的论文<Faster ...

9. 目标检测算法Faster R-CNN简介

   在博文https://blog.csdn.net/fengbingchun/article/details/87091740 中对Fast R-CNN进行了简单介绍,这里在Fast R-CNN的基础上 ...

最新文章

1. PHP的一种缓存方案静态化
2. Linux给命令设置超时时间,Linux命令技巧和时间设置
3. BeagleBone Black QNX6.6 BSP中IPL的完善
4. Windows下简单好用的php平台：XAMPP Wamp5和AppServ
5. python 数组写txt_python txt文件常用读写操作
6. JNI学习积累之一 ---- 常用函数大全
7. 《Python Cookbook 3rd》笔记（1.20）：合并多个字典或映射
8. java中图片文件的传输及显示（Socket以及ServerSocket演示）
9. 求正整数的阶乘 c语言,求10000的阶乘（c语言代码实现）
10. 关于最近打断点的总结
11. 13. PHP 表数据入口(table data gateway)
12. PMP第六版计算题公式整理
13. EasyDarwin源码分析（二）——rtsp-server、rtsp-session
14. fluidsim元件库下载_fluidsim手册.pdf
15. 记一次蓝牙音箱无声音的原因
16. 构建北京市政百姓信件分析实战案例
17. SS中添加多用户失败
18. 中资电信银行股将成市场旗手
19. ue4 Android打包示例
20. [办公自动化]计算机突然断电，微软office文档（有asd文件）如何恢复？

热门文章

1. 运行mvc项目报错 %@ Application Codebehind=Global.asax.cs Inherits=NHAPPAPI.MvcApplication Language=C...
2. 洛谷 p1197 [JSOI2008]星球大战（并查集）
3. vue.js基础知识篇(5):过渡、Method和Vue实例方法
4. 贪心算法求解问题的选择准则
5. 修改ECSHOP后台的商品列表里显示该商品品牌
6. 开启apache服务
7. [转]本地图片预览二三事
8. 使用SqlDependency监测数据库
9. activiti操作流程的几个demo
10. JUnit5 @Tag注解示例