【目標檢測】用Fast R-CNN訓練自己的資料集超詳細全程序

目錄：

一、環境準備

二、訓練步驟

三、測驗程序

四、計算mAP

       寒假在家下載了Fast R-CNN的原始碼進行學習，于是使用自己的資料集對這個演算法進行實驗，下面介紹訓練的全程序，

一、環境準備

       我這里的環境是win10系統，pycharm + python3.7

二、訓練程序

1、下載Fast R-CNN原始碼

      https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3

2、安裝擴展包

      下載的原始碼中有一個 requirements.txt檔案，列出了需要安裝的擴展包名字，可以在cmd中直接運行以下代碼：

pip install -r requirements.txt

      或者使用pip命令一個一個安裝，所需要的擴展包有：cython、opencv-python、easydict、Pillow、matplotlib、scipy，

      如果使用conda管理，按conda的下載方式也可以，

3、下載并添加預訓練模型

      原始碼中預訓練模型使用的是VGG16，VGG16模型可點開下方鏈接直接下載：

      http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

      下載的模型名字應該是vgg_16.ckpt，重命名為vgg16.ckpt 后，把模型保存在data\imagenet_weights\檔案夾下，

      也可以使用其他的模型替代VGG16，其他模型在下方鏈接中下載：

      https://github.com/tensorflow/models/tree/master/research/slim#pre-trained-models

4、修改訓練引數

      打開原始碼的lib\config檔案夾下的config.py檔案，修改其中一些重要引數，如：

（1）network引數

       該引數定義了預訓練模型網路，原始碼中默認使用了vgg16模型，我們使用vgg16就不需修改，如果在上一步中使用其他模型就要修改，

（2）learning_rate

       這個引數是學習率，如果設定太大就可能產生振蕩，如果設定太小就會使收斂速度很慢，所以我們可以先默認為原始碼的0.001進行實驗，后期再取0.01或0.0001等多次實驗，找到運行后的相對最優值，

（3）batch_size

       該引數表示梯度下降時資料批量大小，一般可以取16、32、64、128、256等，我個人的理解是，batch_size設定越大，訓練時梯度下降的速率更快，也具有更高的方向準確度，但更加消耗記憶體；batch_size設定越小，雖然節省記憶體，但訓練的速率比較慢，收斂效果也可能不是很好，所以在記憶體允許的情況下，盡量設定大一些，

（4）max_iters

       max_iters引數表示訓練最大迭代的步數，原始碼中是40000，我實驗了4000和40000的步數，發現后來的測驗結果中mAP值相差不大，以后會再繼續研究，這個引數可以先按照原始碼的40000進行（要跑好幾天，，，）

（5）snapshot_iterations

       這個引數表示間隔多少迭代次數生成一次結果模型，

（6）roi_bg_threshold_low 和 roi_bg_threshold_high

       這個引數表示在背景中被設定為ROI（感興趣區域，region of interest）的閾值，如果后面出現Exception: image invalid, skipping 這樣的報錯，將roi_bg_threshold_low引數修改為0.0會解決問題，

5、替換資料集

       原始碼中的VOCDevkit2007檔案夾存放的是資料集，我們將自己的資料集按照檔案夾結構替換存放在VOCDevkit2007中，Annotations存放的是標簽的XML檔案，JPEGImages存放的是自己的資料集所有圖片，ImageSets\Main檔案夾下保存的是test.txt、train.txt、trainval.txt、validation.txt，分別是測驗集、訓練集、訓練驗證集、驗證集的標簽檔案名號，可以按照下圖的結構制作自己的資料集~

       考慮到原始碼中沒有資料集劃分程式，這里把劃分代碼貼出來，替換成自己的各個檔案路徑后直接運行就可以自動生成所需的txt檔案啦，

# 資料集劃分集類
import os
from sklearn.model_selection import train_test_split

image_path = r'F:/111/data/VOCDevkit2007/VOC2007/JPEGImages'
image_list = os.listdir(image_path)
names = []

for i in image_list:
    names.append(i.split('.')[0])     # 獲取圖片名
trainval,test = train_test_split(names,test_size=0.5,shuffle=446)   # shuffle()中是圖片總數目
validation,train = train_test_split(trainval,test_size=0.5,shuffle=446)

with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/trainval.txt','w') as f:
    for i in trainval:
        f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/test.txt','w') as f:
    for i in test:
        f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/validation.txt','w') as f:
    for i in validation:
        f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/train.txt','w') as f:
    for i in train:
        f.write(i+'\n')

print('完成!')

6、生成所需檔案

      在cmd中進入 ./data/coco/PythonAPI檔案夾路徑，分別運行下面兩條命令：

python setup.py build_ext --inplace

python setup.py build_ext install

      之后，在cmd中進入 ./lib/utils檔案夾路徑，運行下面一條命令：

python setup.py build_ext --inplace

      這樣，就生成訓練需要的檔案啦，

7、修改目標類別

       打開lib/datasets目錄中的pascal_voc.py檔案，第34行self._classes表示目標檢測的類別，將其修改為自己資料集的類別，注意不能修改 “_background_”，它表示圖片的背景，

8、洗掉快取檔案

       打開原始碼中data/cache目錄，刪掉上一次訓練生成的.pkl快取檔案，打開default/voc_2007_trainval/default目錄，刪掉上次訓練生成的模型，

      注意以后每次訓練都要刪掉上述兩個檔案夾中的快取檔案和模型，不刪會報錯的哦，

9、運行train.py檔案

      做好上面所有步驟之后，就可以運行train.py檔案進行訓練啦，每次生成的模型都會保存在default/voc_2007_trainval/default目錄下，

三、測驗程序

1、添加訓練模型

       新建Faster-RCNN-TensorFlow-Python3-master/output/vgg16/voc_2007_trainval/default目錄，把訓練生成的模型（default/voc_2007_trainval/default目錄下的四個檔案）復制到新建目錄下，并重命名為如下圖：

2、修改demo.py檔案

（1）修改目標類別

         修改demo.py檔案中line32，CLASSES中的類別要修改為之前步驟中相同的類別，注意 “_background_”不要修改，

（2）修改網路模型

         找到demo.py檔案中line35、line36，將其修改為如下圖所示：

（3）修改預訓練模型

         找到demo.py檔案中line104，將其修改為'vgg16'，如下圖：

（4）修改測驗圖片

       找到demo.py檔案中的line148，改為自己測驗用的幾張圖片名稱，注意和data/demo目錄下存放的測驗圖片名字一致，

3、運行demo.py檔案

       做好上述修改后，就可以運行demo.py檔案啦，能夠對新的測驗圖片進行目標檢測，

四、計算mAP

       mAP（mean Average Precision）, 即各類別AP的平均值，反映出一個目標檢測模型性能的總體精確度，

1、修改pascal_voc.py檔案

       打開pascal_voc.py檔案，找到line189，將"filename"內容修改為下圖：

2、修改demo.py檔案

       打開demo.py檔案，找到line31，添加兩個模塊：

# 添加這兩個import
from lib.utils.test import test_net
from lib.datasets.factory import get_imdb

       添加后如圖所示：

       然后，找到最后一行plt.show()，在它上面添加兩行代碼：

# 添加這兩行代碼
imdb = get_imdb("voc_2007_trainval")
test_net(sess, net, imdb, 'default')

       添加后如圖所示：

3、運行demo.py檔案

       新建data/VOCDevkit2007/results/VOC2007/Main目錄，然后運行demo.py檔案，等待運行結束就能看到mAP指標的計算結果啦！貼出我自己模型的計算結果吧！

       這次內容就分享到這里了，希望與各位老師和小伙伴們交流學習~

標籤：其他

上一篇：思考：2021年還可以入門深度學習嗎？

下一篇：大學學計算機應該選哪個專業呢？