Faster R-CNN教程

最后更新日期：2016年4月29日

本教程主要基于python版本的faster R-CNN，因为python layer的使用，这个版本会比matlab的版本速度慢10%，但是准确率应该是差不多的。

目前已经实现的有两种方式：

Alternative training

Approximate joint training

推荐使用第二种，因为第二种使用的显存更小，而且训练会更快，同时准确率差不多甚至略高一点。

Contents

配置环境

安装步骤

Demo

建立自己的数据集

训练和检测

配置环境

1配置python layers

#In your Makefile.config, make sure to have this line uncommented

WITH_PYTHON_LAYER := 1

# Unrelatedly, it's also recommended that you use CUDNN

USE_CUDNN := 1

2安装几个依赖cython, python-opencv, easydict

sudo apt-get install python-opencv

sudo pip install cython easydict

安装步骤

1克隆工程

git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git

2编译Cython模块

cd $FRCN_ROOT/lib

make

3编译caffe和pycaffe

cd $FRCN_ROOT/caffe-fast-rcnn

# Now follow the Caffe installation instructions here:

# http://caffe.berkeleyvision.org/installation.html

# If you're experienced with Caffe and have all of the requirements installed

# and your Makefile.config in place, then simply do:

make -j8 && make pycaffe

Demo

安装步骤完成后，就可以运行一下demo了。

cd $FRCN_ROOT

./tools/demo.py

训练自己的训练集

工程目录简介

首先工程的根目录简单的称为 FRCN_ROOT，可以看到根目录下有以下几个文件夹

caffe-fast-rcnn

这里是caffe框架目录

data

用来存放pretrained模型，比如imagenet上的，以及读取文件的cache缓存

experiments

存放配置文件以及运行的log文件，另外这个目录下有scripts可以用end2end或者alt_opt两种方式训练。

lib

用来存放一些python接口文件，如其下的datasets主要负责数据库读取，config负责cnn一些训练的配置选项。

models

里面存放了三个模型文件，小型网络的ZF，大型网络VGG16，中型网络VGG_CNN_M_1024。推荐使用VGG16，如果使用端到端的approximate joint training方法，开启CuDNN，只需要3G的显存即可。

output

这里存放的是训练完成后的输出目录，默认会在faster_rcnn_end2end文件夹下

tools

里面存放的是训练和测试的Python文件。

创建数据集

接下来我们就要创建自己的数据集了，这部分主要在lib目录里操作。这里下面存在3个目录：

datasets

在这里修改读写数据的接口主要是datasets目录下

fast_rcnn

主要存放的是python的训练和测试脚本，以及训练的配置文件config.py

nms

做非极大抑制的部分，有gpu和cpu两种实现方式

roi_data_layer

主要是一些ROI处理操作

rpn

这就是RPN的核心代码部分，有生成proposals和anchor的方法

transform

utils

1构建自己的IMDB子类

1.1文件概述

可有看到datasets目录下主要有三个文件，分别是

factory.py

imdb.py

pascal_voc.py

factory.py 是个工厂类，用类生成imdb类并且返回数据库共网络训练和测试使用；imdb.py 这里是数据库读写类的基类，分装了许多db的操作，但是具体的一些文件读写需要继承继续读写；pascal_voc.py Ross在这里用pascal_voc.py这个类来操作。

1.2读取文件函数分析

接下来我来介绍一下pasca_voc.py这个文件，我们主要是基于这个文件进行修改，里面有几个重要的函数需要修改

def init(self, image_set, year, devkit_path=None)

这个是初始化函数，它对应着的是pascal_voc的数据集访问格式，其实我们将其接口修改的更简单一点。

def image_path_at(self, i)

根据第i个图像样本返回其对应的path，其调用了image_path_from_index(self, index)作为其具体实现

def image_path_from_index(self, index)

实现了 image_path的具体功能

def _load_image_set_index(self)

加载了样本的list文件

def _get_default_path(self)

获得数据集地址

def gt_roidb(self)

读取并返回ground_truth的db

def selective_search_roidb

读取并返回ROI的db，这个是fast rcnn用的，faster版本的不用管这个函数。

def _load_selective_search_roidb(self, gt_roidb)

加载预选框的文件

def selective_search_IJCV_roidb(self)

在这里调用读取Ground_truth和ROI db并将db合并

def _load_selective_search_IJCV_roidb(self, gt_roidb)

这里是专门读取作者在IJCV上用的dataset

def _load_pascal_annotation(self, index)

这个函数是读取gt的具体实现

def _write_voc_results_file(self, all_boxes)

voc的检测结果写入到文件

def _do_matlab_eval(self, comp_id, output_dir='output')

根据matlab的evluation接口来做结果的分析

def evaluate_detections

其调用了_do_matlab_eval

def competition_mode

设置competitoin_mode，加了一些噪点

1.3训练数据格式

在我的检测任务里，我主要是在SED数据集上做行人检测，因此我这里只有background 和person 两类物体，为了操作方便，我像pascal_voc数据集里面一样每个图像用一个xml来标注。如果大家不知道怎么生成xml文件，可以用这个工具 labelImg?

这里我要特别提醒一下大家，一定要注意坐标格式，一定要注意坐标格式，一定要注意坐标格式，重要的事情说三遍！！！要不然你会犯很多错误都会是因为坐标不一致引起的报错。

1.4修改读取接口

这里是原始的pascal_voc的init函数，在这里，由于我们自己的数据集往往比voc的数据集要更简单的一些，在作者代码里面用了很多的路径拼接，我们不用去迎合他的格式，将这些操作简单化即可，在这里我会一一列举每个我修改过的函数。这里按照文件中的顺序排列。

修改后的初始化函数：

class hs(imdb):

def __init__(self, image_set, devkit_path=None): # modified

imdb.__init__(self, image_set)

self._image_set = image_set

self._devkit_path = devkit_path #datasets路径

self._data_path = os.path.join(self._devkit_path,image_set) #图片文件夹路径

self._classes = ('__background__', # always index 0

'person') #two classes

self._class_to_ind = dict(zip(self.classes, xrange(self.num_classes))) # form the dict{'__background__':'0','person':'1'}

self._image_ext = '.jpg'

self._image_index = self._load_image_set_index('ImageList.txt')

# Default to roidb handler

self._roidb_handler = self.selective_search_roidb

self._salt = str(uuid.uuid4())

self._comp_id = 'comp4'

# PASCAL specific config options

self.config = {'cleanup' : True,

'use_salt' : True,

'use_diff' : False,

'matlab_eval' : False,

'rpn_file' : None,

'min_size' : 16} #小于16个像素的框扔掉

assert os.path.exists(self._devkit_path), \

'VOCdevkit path does not exist: {}'.format(self._devkit_path)

assert os.path.exists(self._data_path), \

'Path does not exist: {}'.format(self._data_path)

修改后的image_path_from_index：

def image_path_from_index(self, index): #modified

"""

Construct an image path from the image's "index" identifier.

"""

image_path = os.path.join(self._data_path,index +'.jpg')

assert os.path.exists(image_path), \

'Path does not exist: {}'.format(image_path)

return image_path

修改后的_load_image_set_index：

def _load_image_set_index(self,imagelist): # modified

"""

Load the indexes listed in this dataset's image set file.

"""

# Example path to image set file:

# self._devkit_path + /VOCdevkit2007/VOC2007/ImageSets/Main/val.txt

image_set_file = os.path.join(self._devkit_path, imagelist)

assert os.path.exists(image_set_file), \

'Path does not exist: {}'.format(image_set_file)

with open(image_set_file) as f:

image_index = [x.strip() for x in f.readlines()]

return image_index

gt_roidb(self):

这个函数里有个生成ground truth的文件，我需要特别说明一下，如果你再次训练的时候修改了数据库，比如添加或者删除了一些样本，但是你的数据库名字函数原来那个，必须要在data/cache/目录下把数据库的缓存文件.pkl给删除掉，否则其不会重新读取相应的数据库，而是直接从之前读入然后缓存的pkl文件中读取进来，这样修改的数据库并没有进入网络，而是加载了老版本的数据。

修改的_load_pascal_annotation(self, index):

def _load_pascal_annotation(self, index): #modified

"""

Load image and bounding boxes info from XML file in the PASCAL VOC

format.

"""

filename = os.path.join(self._devkit_path, 'Annotations', index + '.xml')

tree = ET.parse(filename)

objs = tree.findall('object')

if not self.config['use_diff']:

# Exclude the samples labeled as difficult

non_diff_objs = [

obj for obj in objs if int(obj.find('difficult').text) == 0]

# if len(non_diff_objs) != len(objs):

# print 'Removed {} difficult objects'.format(

# len(objs) - len(non_diff_objs))

objs = non_diff_objs

num_objs = len(objs)

boxes = np.zeros((num_objs, 4), dtype=np.uint16)

gt_classes = np.zeros((num_objs), dtype=np.int32)

overlaps = np.zeros((num_objs, self.num_classes), dtype=np.float32)

# "Seg" area for pascal is just the box area

seg_areas = np.zeros((num_objs), dtype=np.float32)

# Load object bounding boxes into a data frame.

for ix, obj in enumerate(objs):

bbox = obj.find('bndbox')

# Make pixel indexes 0-based

x1 = float(bbox.find('xmin').text)

y1 = float(bbox.find('ymin').text)

x2 = float(bbox.find('xmax').text)

y2 = float(bbox.find('ymax').text)

cls = self._class_to_ind[obj.find('name').text.lower().strip()]

boxes[ix, :] = [x1, y1, x2, y2]

gt_classes[ix] = cls

overlaps[ix, cls] = 1.0

seg_areas[ix] = (x2 - x1 + 1) * (y2 - y1 + 1)

overlaps = scipy.sparse.csr_matrix(overlaps)

return {'boxes' : boxes,

'gt_classes': gt_classes,

'gt_overlaps' : overlaps,

'flipped' : False,

'seg_areas' : seg_areas}

因为我和Pascal用了一样的xml格式，所以这个函数我的改动不多。如果你想用txt文件保存ground truth，做出相应的修改即可。

坐标的顺序强调一下，要左上右下，并且x1必须要小于x2，这个是基本，反了会在坐标水平变换的时候会出错，坐标从0开始，如果已经是0，则不需要再-1。如果怕出错，可以直接把出界的的直接置0.

记得在最后的main下面也修改相应的路径

from datasets.hs import hs

d = hs('hs', '/home/zyy/workspace/wangml/py-faster-rcnn/lib/datasets/')

res = d.roidb

from IPython import embed; embed()

OK，在这里我们已经完成了整个的读取接口的改写。

2修改factory.py

当网络训练时会调用factory里面的get方法获得相应的imdb，

首先在文件头import 把pascal_voc改成hs

# --------------------------------------------------------

# Fast R-CNN

# Copyright (c) 2015 Microsoft

# Licensed under The MIT License [see LICENSE for details]

# Written by Ross Girshick

# --------------------------------------------------------

"""Factory method for easily getting imdbs by name."""

__sets = {}

from datasets.hs import hs

import numpy as np

# # Set up voc__ using selective search "fast" mode

# for year in ['2007', '2012']:

# for split in ['train', 'val', 'trainval', 'test']:

# name = 'voc_{}_{}'.format(year, split)

# __sets[name] = (lambda split=split, year=year: pascal_voc(split, year))

#

# # Set up coco_2014_

# for year in ['2014']:

# for split in ['train', 'val', 'minival', 'valminusminival']:

# name = 'coco_{}_{}'.format(year, split)

# __sets[name] = (lambda split=split, year=year: coco(split, year))

#

# # Set up coco_2015_

# for year in ['2015']:

# for split in ['test', 'test-dev']:

# name = 'coco_{}_{}'.format(year, split)

# __sets[name] = (lambda split=split, year=year: coco(split, year))

name = 'hs'

devkit = '/home/zyy/workspace/wangml/py-faster-rcnn/lib/datasets/'

__sets['hs'] = (lambda name = name,devkit = devkit: hs(name,devkit))

def get_imdb(name):

"""Get an imdb (image database) by name."""

if not __sets.has_key(name):

raise KeyError('Unknown dataset: {}'.format(name))

return __sets[name]()

def list_imdbs():

"""List all registered imdbs."""

return __sets.keys()

训练和检测

1.预训练模型介绍

首先在data目录下，有两个目录

faster_rcnn_models/

imagenet_models/

faster_rcnn_model文件夹下面是作者用faster rcnn训练好的三个网络,分别对应着小、中、大型网络，大家可以试用一下这几个网络，看一些检测效果，他们训练都迭代了80000次，数据集都是pascal_voc的数据集。

imagenet_model文件夹下面是在Imagenet上训练好的通用模型，在这里用来初始化网络的参数.

在这里我比较推荐先用中型网络训练，中型网络训练和检测的速度都比较快，效果也都比较理想，大型网络的话训练速度比较慢，中型网络训练大概半天，大型网络的话用25个小时。

2.修改模型文件配置

模型文件在models下面对应的网络文件夹下，在这里我用中型网络的配置文件修改为例子

比如：我的检测目标物是person ，那么我的类别就有两个类别即 background 和 person

因此，首先打开网络的模型文件夹，打开train.prototxt

修改的地方重要有三个

分别是个地方

首先在data层把num_classes 从原来的21类 20类+背景 ，改成 2类 人+背景

接在在cls_score层把num_output 从原来的21 改成 2

在bbox_pred层把num_output 从原来的84 改成8， 为检测类别个数乘以4，比如这里是2类那就是2*4=8

OK，如果你要进一步修改网络训练中的学习速率，步长，gamma值，以及输出模型的名字，需要在同目录下的solver.prototxt中修改。

3.启动Fast RCNN网络训练

python ./tools/train_net.py --gpu 1 --solver models/hs/faster_rcnn_end2end/solver.prototxt --weights data/imagenet_models/VGG_CNN_M_1024.v2.caffemodel --imdb hs --iters 80000 --cfg experiments/cfgs/faster_rcnn_end2end.yml

参数讲解：

这里的–是两个-，不要输错

train_net.py是网络的训练文件，之后的参数都是附带的输入参数

--gpu 代表机器上的GPU编号，如果是nvidia系列的tesla显卡，可以在终端中输入nvidia-smi来查看当前的显卡负荷，选择合适的显卡

--solver 代表模型的配置文件，train.prototxt的文件路径已经包含在这个文件之中

--weights 代表初始化的权重文件，这里用的是Imagenet上预训练好的模型，中型的网络我们选择用VGG_CNN_M_1024.v2.caffemodel

--imdb 这里给出的训练的数据库名字需要在factory.py的_sets中，我在文件里面有_sets[‘hs’]，train_net.py这个文件会调用factory.py再生成hs这个类，来读取数据

4.启动Fast RCNN网络检测

可以参考tools下面的demo.py 文件，来做检测，并且将检测的坐标结果输出到相应的txt文件中。

最后

鉴于之前我用的版本是15年11月的版本，有些小伙伴在使用此教程时会有一些错误，所以我重新做了部分修订，目前能够在2016年4月29日版本的版本上成功运行，如果有问题，随时联系我。