本人使用的ubantu16.04系统,带有GPU处理器,环境配置安装就不说了。
本次所使用的源码为:https://github.com/endernewton/tf-faster-rcnn
一.下载Github代码
git clone https://github.com/endernewton/tf-faster-rcnn.git
二.更改配置
cd ~/tf-faster-rcnn/lib vim setup.py
因为本人使用的服务器为GTX 1080,因此改为sm_61,大家可以通过nvidia-smi查看自己电脑的GPU配置。
三.编译
在上一步那个lib 文件夹中进行:
make clean make cd ..
四.安装COCO API
cd data git clone https://github.com/pdollar/coco.git cd coco/PythonAPI make cd ../../..
五.下载数据并解压
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar tar xvf VOCtrainval_06-Nov-2007.tar tar xvf VOCtest_06-Nov-2007.tar tar xvf VOCdevkit_08-Jun-2007.tar
六.重命名
手动将下载的数据集文件夹VOCdevkit修改名字为VOCdevkit2007放入faster rcnn目录下的Data文件夹里。也可以通过以下代码实现,改名字是因为代码中是VOCdevkit2007。
cd $FRCN_ROOT/data ln -s $VOCdevkit VOCdevkit2007
七.下载预训练的模型
这一步下载需要FQ往往下载不成功,因此可以在此网盘中下载https://pan.baidu.com/s/1kWkF3fT,下载后放在data目录下进行解压。
tar xvf voc_0712_80k-110k.tgz
八.建立预训练模型的软连接
这一步的目的是在tf-faster-rcnn目录下建立output文件夹,并使用软连接来使用预训练模型,使用以下代码这里按照步骤走就行:
NET=res101 TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval mkdir -p output/${NET}/${TRAIN_IMDB} cd output/${NET}/${TRAIN_IMDB} ln -s ../../../data/voc_2007_trainval+voc_2012_trainval ./default cd ../../..
九.demo测试
GPU_ID=0 CUDA_VISIBLE_DEVICES=${GPU_ID} ./tools/demo.py
十.使用自己的数据训练
替换自己的数据,可参照另一篇博客:https://blog.csdn.net/hitzijiyingcai/article/details/81636455
将制作好的数据放在data文件夹下,然后还要在其中新建一个txt文件,具体的位置及相关文件夹名称如图:
十一.下载预训练模型
首先下载VGG模型,网盘下载地址https://pan.baidu.com/s/1aD0jlYGHhZQeeTvNJy0GGQ,密码:45ef。
在tf-faster-rcnn/data/目录下创建一个imagenet_weights文件夹,解压权重数据并把解压后的vgg_16.ckpt重命名为vgg16.ckpt,因为后面在调用权重数据的时候名字需要对应的上。
可以说到这里就可以进行训练了,但是为了节省时间并排除错误,把迭代次数只设置了2000次,具体操作为:
./experiments/scripts/train_faster_rcnn.sh里的第22行把ITERS=70000改成ITERS=2000,
同时把./experiments/scripts/test_faster_rcnn.sh的ITERS也改成2000。
在tf-faster-rcnn/lib/datasets目录下的pascal_voc.py里第36行更改自己的类别,'__background__'切记不可删掉,把后面的原来的20个label换成自己的,不用更改类别数目,也没有地方可以更改。
在tf-faster-rcnn/lib/datasets目录下的imdb.py中修改类别,类别+1,我的数据是两类。
在开始训练之前,还需要把之前训练产生的模型以及cache删除掉,分别在tf-faster-rcnn/output/vgg16/voc_2007_trainval/default路径下和tf-faster-rcnn/data/cache路径下,然后再修改一些内容:
在tf-faster-rcnn/tools目录下test_net.py文件中修改如下内容:哪些地方修改照着自己的目录修改
然后修改同目录下的trainval_net.py文件中的内容:
接下来可以进行训练和测试了
GPU_ID=0 ./experiments/scripts/train_faster_rcnn.sh 0 pascal_voc vgg16
GPU_ID=0 ./experiments/scripts/test_faster_rcnn.sh 0 pascal_voc vgg16
训练和测试结果就不展示了,展示demo测试的结果。
十二.demo测试模型
进行测试之前需要在tf-faster-rcnn/data/demo/目录下放入自己需要测试的图片
在tf-faster-rcnn/tools/目录下的demo.py文件中修改如下内容:找到对应的位置修改即可
修改图片名称,和放在demo文件夹中的图片名称一致,.jpg文件格式。
./tools/demo.py
demo测试其中一类结果
参考文章:
1.https://blog.csdn.net/hitzijiyingcai/article/details/81808091
2.https://blog.csdn.net/hitzijiyingcai/article/details/81914200
3.https://blog.csdn.net/hitzijiyingcai/article/details/81347402
作者:舟华520
出处:https://www.cnblogs.com/xfzh193/
本文以学习,分享,研究交流为主,欢迎转载,请标明作者出处!