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/data 目录下，然后相应地改变相应模型的参数，比如种类等。 data目录下存放的数据如下：

VOCdevkit2007└── VOC2007├── Annotations│   └── *.xml│├── ImageSets│   └── Main│       ├── train.txt│       └── test.txt└── JPEGImages└── *.jpg

这样做最省事。

第二种，基本上也是改造成VOC2007的形式，然后放到py-faster-rcnn/data 目录下，但是允许Annotations不按照xml的形式。可以是自己的形式

YOUR_DATASET_devkit└── data├── Annotations│   └── *.txt│├── ImageSets│       ├── train.txt│       └── test.txt└── JPEGImages└── *.jpg or *.png

关于第二种，可以参考如下文章：

1. deboc/py-faster-rcnn 这个代码是py-faster rcnn的拷贝，实现了二分类模型。里面的data组织如下：

INRIA_Person_devkit/
|-- data/|-- Annotations/|-- *.txt (Annotation files)|-- Images/|-- *.png (Image files)|-- ImageSets/|-- train.txt

按照教程： https://github.com/deboc/py-faster-rcnn/blob/master/help/Readme.md 可以训练行人检测。

另外《Fast RCNN 训练自己数据集 (2修改数据读取接口)》也实现了自己的数据读取。

下面重点说一下第一种。

具体的细节可以参考： http://blog.csdn.net/Gavin__Zhou/article/details/52052915

需要注意的是根据文章<解决faster-rcnn中训练时assert（boxes[:,2]>=boxes[:,0]）.all()的问题> 我们对lib/datasets/imdb.py，append_flipped_images()函数修改如下：

 def append_flipped_images(self):num_images = self.num_imageswidths = self._get_widths()for i in xrange(num_images):boxes = self.roidb[i]['boxes'].copy()oldx1 = boxes[:, 0].copy()oldx2 = boxes[:, 2].copy()boxes[:, 0] = widths[i] - oldx2 - 1boxes[:, 2] = widths[i] - oldx1 - 1for b in range(len(boxes)):if boxes[b][2]< boxes[b][0]:boxes[b][0] = 0assert (boxes[:, 2] >= boxes[:, 0]).all()entry = {'boxes' : boxes,'gt_overlaps' : self.roidb[i]['gt_overlaps'],'gt_classes' : self.roidb[i]['gt_classes'],'flipped' : True}self.roidb.append(entry)self._image_index = self._image_index * 2

我们说一说其他的，

关于数据标注：强烈推荐工具：labelImg ：https://github.com/tzutalin/labelImg 这是个图形化界面操作，可以很方便地标注boundingbox,且生成xml格式。
VOC2007数据集地址： https://pjreddie.com/projects/pascal-voc-dataset-mirror/
图片重命名像VOC2007那样： http://blog.csdn.net/sinat_30071459/article/details/50723212
根据XML文件生成test.txt（测试集），train.txt（训练集），val.txt（验证集），trainval.txt（训练和验证集），trainval大概是整个数据集的50%，test也大概是整个数据集的50%；train大概是trainval的50%，val大概是trainval的50%。将这四个txt放在ImageSets\Main中，参考：http://blog.csdn.net/sinat_30071459/article/details/50723212
另外你不想手动地更改那些参数，可以使用这个：https://github.com/Microos/py-faster-rcnn-data-interface-generator

其他参考文档：

1. 使用Faster-Rcnn进行目标检测(实践篇)

2. Faster rcnn 安装、训练、测试、调试

3. matlab训练样本集的制作

4. 制作自己的数据集用于faster-rcnn训练

5. 将数据集做成VOC2007格式用于Faster-RCNN训练（很重要）

6. Faster-RCNN+ZF用自己的数据集训练模型(Python版本)

7. Training'R CNNs'of'various'velocities 训练faster rcnn的官方文档1

8. 训练faster rcnn的官方文档2

9. Faster-RCNN+ZF用自己的数据集训练模型(Matlab版本)

10. Py-faster-rcnn实现自己的数据train和demo （很重要）

faster rcnn在自己的数据集上训练相关推荐

DL之DCGNN：基于TF利用DCGAN实现在MNIST数据集上训练生成新样本
DL之DCGNN:基于TF利用DCGAN实现在MNIST数据集上训练生成新样本目录输出结果设计思路实现部分代码说明:所有图片文件丢失输出结果更新-- 设计思路更新-- 实现部分代码更 ...
internetreadfile读取数据长度为0_YOLOV3的TensorFlow2.0实现，支持在自己的数据集上训练...
GitHub链接: calmisential/YOLOv3_TensorFlow2github.com 我主要参考了yolov3的一个keras实现版本: qqwweee/keras-yolo3g ...
domain gap(域间隙)是什么？==＞在一个数据集上训练好的模型无法应用在另一个数据集上
不同数据集之间存在domain gap,在一个数据集上训练模型,在另外一个数据集上进行预测性能下降很大 re-id(视频行人重识别问题) 现有公开的数据集与真实场景存在很大不同,不同re-id的数据集 ...
pascal行人voc_在Pascal VOC 数据集上训练YOLOv3模型
上节介绍了<从零开始在Windows10中编译安装YOLOv3>,本节介绍在Pascal VOC 数据集上训练YOLOv3. 第一步,下载并安装YOLOv3训练依赖项. a.下载Pasca ...
模拟数据集上训练神经网络，网络解决二分类问题练习
#2018-06-24 395218 June Sunday the 25 week, the 175 day SZ ''' 模拟数据集上训练神经网络,网络解决二分类问题.'''import tens ...
在MNIST数据集上训练一个手写数字识别模型
使用Pytorch在MNIST数据集上训练一个手写数字识别模型, 代码和参数文件可下载 1.1 数据下载 import torchvision as tvtraining_sets = tv.dat ...
在自己的数据集上训练CrowdDet过程记录
论文链接:https://readpaper.com/pdf-annotate/note?noteId=656650387498369024&pdfId=542662939605901312 ...
【Pytorch分布式训练】在MNIST数据集上训练一个简单CNN网络，将其改成分布式训练
文章目录普通单卡训练-GPU 普通单卡训练-CPU 分布式训练-GPU 分布式训练-CPU 租GPU服务器相关以下代码示例基于:在MNIST数据集上训练一个简单CNN网络,将其改成分布式训练. 普 ...
多目标跟踪算法JDE在 UA-DETRAC数据集上训练
环境:win10,cuda 10.1 , GTX1060 一.数据处理 1.数据集获取: 链接:https://pan.baidu.com/s/1K3rI9PvzHc1KqOJITNMdVg 提取码 ...

faster rcnn在自己的数据集上训练

faster rcnn在自己的数据集上训练相关推荐

最新文章

热门文章