28256人阅读
caffe（24）
Deep Learning（7）
说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。
（做数据集的过程可以看）
Faster-RCNN源码下载地址：
Matlab版本：
python版本:
本文用到的是Matlab版本，在Windows下运行。
python版本的训练过程：
资源下载：，网页最后有所有的资源。
准备工作：
安装vs2013；
安装Matlab；
安装CUDA；
上面的安装顺序最好不要乱，否则可能出现Matlab找不到vs的情况，在Matlab命令行窗口输入：mbuild -setup，如果出现：
说明Matlab可以找到vs2013。CUDA应在安装vs2013后再安装。
如果你的cuda是6.5，那么，运行一下：
fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m
（运行代码下载失败的话，用百度云下载：& ，解压到faster_rcnn-master下）
得到mex文件。如果不是cuda6.5（如我的是cuda7.5），则需要自己编译mex文件，编译过程参考这里：，按步骤做就行了。
也可以下载我编译得到的文件（注意cuda版本）。
下载地址：
建议还是自己编译，因为版本问题可能会出错。在训练前，可以先下载作者训练好的模型，测试一下，如果可以的话，就不用自己编译了。
测试过程：
（1）运行faster_rcnn-master\faster_rcnn_build.m
&（2）运行faster_rcnn-master\startup.m
（3）运行faster_rcnn-master\fetch_data\fetch_faster_rcnn_final_model.m &下载训练好的模型
（下载失败的话，可以用百度云下载：&，解压到faster_rcnn-master下）
（4）修改faster_rcnn-master\experiments\script_faster_rcnn_demo.m的model_dir为你下载的模型，然后运行。
最终得到：
在训练前请确保你的路径faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下文件：
（我的opencv版本是2.4.9，cuda版本是7.5，因版本不同上述文件和你的编译结果可能会有差异。+caffe文件夹是从caffe-master或caffe-faster-R-CNN里拷贝过来的。）
如果你没有按上面说的测试过，请先运行：
（1）faster_rcnn-master\faster_rcnn_build.m
（2）faster_rcnn-master\startup.m
然后再进行下面的修改。
1 、VOCdevkit2007\VOCcode\VOCinit.m的修改
（1）路径的修改
VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml'];
VOCopts.imgpath=[VOCopts.datadir VOCopts.dataset '/JPEGImages/%s.jpg'];
VOCopts.imgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s.txt'];
VOCopts.clsimgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s_%s.txt'];
VOCopts.clsrespath=[VOCopts.resdir 'Main/%s_cls_' VOCopts.testset '_%s.txt'];
VOCopts.detrespath=[VOCopts.resdir 'Main/%s_det_' VOCopts.testset '_%s.txt'];
上面这些路径要正确，第一个是xml标签路径；第二个是图片的路径；第三个是放train.txt、val.txt、test.txt和trainval.txt的路径；第四、五、六个不需要；一般来说这些路径不用修改，你做的数据集格式和VOC2007相同就行。（图片格式默认是jpg，如果是png，修改上面第二行的代码即可。）
（2）训练集文件夹修改
VOCopts.dataset = '你的文件夹名';
然后将VOC2007路径注释掉，上面“你的文件夹名”是你放Annotations、ImageSets、JPEGImages文件夹的文件夹名。
（3）标签的修改
VOCopts.classes={...
'你的标签1'
'你的标签2'
'你的标签3'
'你的标签4'};将其改为你的标签。
2 、VOCdevkit2007\results
results下需要新建一个文件夹，名字是1. (2)中“你的文件夹名”。“你的文件夹名”下新建一个Main文件夹。(因为可能会出现找不到文件夹的错误)
3 、VOCdevkit2007\local
local下需要新建一个文件夹，名字是1. (2)中“你的文件夹名”。（同上）
4 、function\fast_rcnn\fast_rcnn_train.m
ip.addParamValue('val_iters',
@isscalar);
ip.addParamValue('val_interval',
@isscalar);
可能在randperm(N,k)出现错误，根据数据集修改。（VOC2007中val有2510张图像，train有2501张，作者将val_iters设为500，val_interval设为2000，可以参考作者的设置修改，建议和作者一样val_iters约为val的1/5，val_interval不用修改）
5、function\rpn\proposal_train.m
这里的问题和fast_rcnn_train.m一样。
6.imdb\imdb_eval_voc.m
%do_eval = (str2num(year) &= 2007) | ~strcmp(test_set,'test');
do_eval = 1;注释掉do_eval = (str2num(year) &= 2007) | ~strcmp(test_set,'test');并令其为1，否则测试会出现精度全为0的情况
7.&imdb\roidb_from_voc.m
ip.addParamValue('exclude_difficult_samples',
@islogical);不包括难识别的样本，所以设置为true。(如果有就设置为false)
8.网络模型的修改
（1） models\ fast_rcnn_prototxts\ZF\ train_val.prototxt
input: &bbox_targets&
input_dim: 1
# to be changed on-the-fly to match num ROIs
input_dim: 84 # 根据类别数改，该值为（类别数+1）*4
#################
input_dim: 1
input_dim: 1
input: &bbox_loss_weights&
input_dim: 1
# to be changed on-the-fly to match num ROIs
input_dim: 84 # 根据类别数改，该值为（类别数+1）*4
############
input_dim: 1
input_dim: 1
bottom: &fc7&
top: &cls_score&
name: &cls_score&
lr_mult: 1.0
lr_mult: 2.0
type: &InnerProduct&
inner_product_param {
num_output: 21 #根据类别数改该值为类别数+1
bottom: &fc7&
top: &bbox_pred&
name: &bbox_pred&
type: &InnerProduct&
lr_mult: 1.0
lr_mult: 2.0
inner_product_param {
num_output: 84
#根据类别数改，该值为（类别数+1）*4
##########
（2） models\ fast_rcnn_prototxts\ZF\ test.prototxt
bottom: &fc7&
top: &cls_score&
name: &cls_score&
lr_mult: 1.0
lr_mult: 2.0
type: &InnerProduct&
inner_product_param {
num_output: 21
##########
bottom: &fc7&
top: &bbox_pred&
name: &bbox_pred&
type: &InnerProduct&
lr_mult: 1.0
lr_mult: 2.0
inner_product_param {
num_output: 84
#4*(类别数+1)
##########
（3） models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxt
input: &bbox_targets&
input_dim: 1
# to be changed on-the-fly to match num ROIs
input_dim: 84 # 4*(类别数+1)
###########
input_dim: 1
input_dim: 1
input: &bbox_loss_weights&
input_dim: 1
# to be changed on-the-fly to match num ROIs
input_dim: 84 # 4*(类别数+1)
###########
input_dim: 1
input_dim: 1
bottom: &fc7&
top: &cls_score&
name: &cls_score&
lr_mult: 1.0
lr_mult: 2.0
type: &InnerProduct&
inner_product_param {
num_output: 21 #类别数+1
############
bottom: &fc7&
top:&bbox_pred&
name:&bbox_pred&
type:&InnerProduct&
lr_mult:1.0
lr_mult:2.0
inner_product_param{
num_output: 84
#4*（类别数+1）
###########
（4） models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxt
bottom: &fc7&
top: &cls_score&
name: &cls_score&
lr_mult: 1.0
lr_mult: 2.0
type: &InnerProduct&
inner_product_param {
num_output: 21
类别数+1 #######
bottom: &fc7&
top: &bbox_pred&
name: &bbox_pred&
type: &InnerProduct&
lr_mult: 1.0
lr_mult: 2.0
inner_product_param {
num_output: 84
#4*（类别数+1） ##########
9.solver的修改
solver文件有3个，默认使用的solver是solver_30k40k.prototxt，如下stage 1 rpn，可以在faster_rcnn-master\experiments\+Model\ZF_for_Faster_RCNN_VOC2007.m中更换。
model.stage1_rpn.solver_def_file
= fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'solver_30k40k.prototxt');%solver_60k80k.prototxt
model.stage1_rpn.test_net_def_file
= fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'test.prototxt');
model.stage1_rpn.init_net_file
= model.pre_trained_net_
！！！为防止与之前的模型搞混,训练前把output文件夹删除（或改个其他名），还要把imdb\cache中的文件删除（如果有的话）
更为简便的方法是直接用你的数据集的Annotations、ImageSets、JPEGImages文件夹替换VOC2007对应文件夹，那么上面只需进行1.（3）、4、5、7、8的修改。
10.开始训练
（1）.下载预训练的ZF模型：fetch_data/fetch_model_ZF.m
（下载失败的话用百度云下载：&，解压到faster_rcnn-master下，预训练模型参数用于初始化）
（2）.运行：
experiments/script_faster_rcnn_VOC2007_ZF.m
经过一会的准备工作，就进入迭代了：
11.训练完后
训练完后，不要急着马上测试，先打开output/faster_rcnn_final/faster_rcnn_VOC2007_ZF文件夹，打开detection_test.prototxt，作如下修改：
将relu5（包括relu5）前的层删除，并将roi_pool5的bottom改为data和rois。并且前面input: &data&下的input_dim:分别改为1,256,50,50(如果是VGG就是1,512,50,50,其他修改基本一样)，具体如下
input: &data&
input_dim: 1
input_dim: 256
input_dim: 50
input_dim: 50
# ------------------------ layer 1 -----------------------------
bottom: &data&
bottom: &rois&
top: &pool5&
name: &roi_pool5&
type: &ROIPooling&
roi_pooling_param {
pooled_w: 6
pooled_h: 6
spatial_scale: 0.0625
训练完成后，打开\experiments\script_faster_rcnn_demo.m，将模型路径改成训练得到的模型路径：
= fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC2007_ZF')
将测试图片改成你的图片：
im_names = {'001.jpg', '002.jpg', '003.jpg'};注意：
& & & &&如果你的数据集类别比voc2007数据集多，把script_faster_rcnn_demo.m中的showboxes(im, boxes_cell, classes, 'voc')作如下修改：
showboxes(im, boxes_cell, classes);或者：
showboxes(im, boxes_cell, classes, 'default');即去掉‘voc’或将其改为‘default’。
如果测试发现出现的框很多，且这些框没有目标，可以将阈值设高一些（默认是0.6）：
thres = 0.9;
结果如下：


参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：131885次
积分：1966
积分：1966
排名：第16272名
原创：69篇
转载：18篇
评论：775条
(1)(5)(7)(6)(2)(7)(12)(3)(10)(10)(10)(17)Ubuntu14.04下配置测试Faster R-CNN+Caffe(Matlab+CPU)目标检测
Faster R-CNN是当前目标检测领域内性能最好的算法之一，它将RPN（Region Proposal Network）网络和Fast R-CNN网络结合到了一起，实现了一个端到端的目标检测框架。作者Shaoqing Ren在github上公开了源代码，可以很方便地在自己的机器上进行测试。本文记录的是Ubuntu14.04下配置和测试Faster R-CNN的过程，其中包括Cafee的安装和编译过程，针对的是Matlab和仅使用CPU的环境。
文章arXiv链接：
https://arxiv.org/abs/
下载源代码 ##
Matlab源码链接：
/ShaoqingRen/faster_rcnn
Python实现源码：
/rbgirshick/py-faster-rcnn
下载源码faster_rcnn-master.zip以及其中的caffe源码，解压至本地目录。
安装编译Caffe
1.安装依赖项
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libatlas-base-dev
Python用户需安装，Matlab不需要：
sudo apt-get install the python-dev
GPU运行环境还需安装CUDA，使用CPU无需安装。 Ubuntu14.04依赖项：
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
Ubuntu12.04版本较低，需要手动安装依赖项：
wget https://google-/files/glog-0.3.3.tar.gz
tar zxvf glog-0.3.3.tar.gz
cd glog-0.3.3
./configure
make && make install
wget /schuhschuh/gflags/archive/master.zip
unzip master.zip
cd gflags-master
mkdir build && cd build
export CXXFLAGS=&-fPIC& && cmake .. && make VERBOSE=1
make && make install
git clone /LMDB/lmdb
cd lmdb/libraries/liblmdb
make && make install
Caffe可以采用Make或者CMake两种方式来编译，我使用的是Make，且编译之前需要根据个人情况修改caffe目录下的Makefile.config.example文件。具体需要修改的地方如下：
仅使用CPU的情况下，需要取消该文件中CPU_ONLY := 1的注释。
指定Matlab的安装路径，我的是MATLAB_DIR := /usr/local/MATLAB/R2016a。
修改完成后，执行如下命令：
cp Makefile.config.example Makefile.config
make clean
make runtest
采用并行的方式可以更快地完成编译过程，只需使用`make all -j8`命令。其中数字8表示并行线程的数目，建议将该线程数目修改为机器的内核数。 为了能够在Matlab中正常使用，还需执行以下命令：
make matcaffe
之后在matlab/+caffe/private目录下将会生成caffe_.mex64文件，可以直接被Matlab调用。
3.测试示例
在正式测试前，需要下载训练好的caffemodel文件。有两种方式，直接在浏览器里输入地址下载，也可以运行脚本文件下载。我选择直接用浏览器下载，下载地址如下：
http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
该模型文件243.9M，下载完成后将其拷贝到caffe根目录下的models/bvlc_reference_caffenet/文件夹中。
接着启动Matlab，切换到caffe的根目录，将caffe_.mex64的路径添加进来，便于加载。
addpath('./matlab/+caffe/private');
切换到`matlab/demo/`目录下，执行如下命令来测试示例：
I = imread('../../examples/images/cat.jpg');
[scores, maxlabel] = classification_demo(I, 0);
需要特别注意，classification_demo(I, 0)函数中的0表示使用CPU，如果改为1则表示GPU。执行成功后，将会返回如下信息：
Elapsed time is 0.025054 seconds.
Elapsed time is 1.069503 seconds.
Cleared 0 solvers and 1 stand-alone nets
其中maxlabel=282，表示具有最大分类概率的是第282个类别。输入`plot(scores);`显示所有类别上的分类概率，如下图所示。
从图中可以看出，该图片被分到第282类的概率最高。至此，程序测试完成，说明Caffe安装配置成功。
配置运行Faster R-CNN
Faster R-CNN的配置和运行十分简单，启动Matlab，切换到faster_rcnn目录下。运行faster_rcnn_build.m，在仅使用CPU的情况下，Compiling nms_gpu_mex时会出错。但是其他能够编译成功，这里不用担心。
run faster_rcnn_build.m
run startup.m
获取训练好的模型，可以通过执行文件下载：
run fetch_data/fetch_faster_rcnn_final_model.m
个人建议直接通过作者github主页上的链接来下载模型，地址在主页最后一行给出，选择其一下载。
3.Final RPN+FastRCNN models: OneDrive, DropBox, BaiduYun
模型较大，下载完成后直接将其解压至faster_rcnn根目录下。
在experiments目录下有测试文件，因为只使用CPU，运行前需要将其设置为不使用GPU。
experiments/script_faster_rcnn_demo.m
文件中的第3、4行需要注释掉，第9行的opts.use_gpu改为false。以下是修改后的代码：
%% -------------------- CONFIG --------------------
opts.caffe_version & & & & &= 'caffe_faster_rcnn';
% opts.gpu_id & & & & & & & & = auto_select_
% active_caffe_mex(opts.gpu_id, opts.caffe_version);
opts.per_nms_topN & & & & & = 6000;
opts.nms_overlap_thres & & &= 0.7;
opts.after_nms_topN & & & & = 300;
opts.use_gpu & & & & & & & &=
opts.test_scales & & & & & &= 600;
此外，由于VGG16模型较大，运行过程中会崩溃，因此将模型改为ZF，修改后如下：
% model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_vgg_16layers'); %% VGG-16
model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_ZF'); %% ZF
至此，修改完毕。执行该程序，能够正常运行说明测试成功。我的处理器是Intel& Core& i7-2600 CPU @ 3.40GHz & 8 ，输出如下信息：
001763.jpg (500x375): time 3.258s (resize+conv+proposal: 2.452s, nms+regionwise: 0.806s)
004545.jpg (500x375): time 4.073s (resize+conv+proposal: 2.543s, nms+regionwise: 1.530s)
000542.jpg (500x375): time 3.064s (resize+conv+proposal: 2.526s, nms+regionwise: 0.538s)
000456.jpg (500x375): time 3.757s (resize+conv+proposal: 2.497s, nms+regionwise: 1.259s)
001150.jpg (500x375): time 3.400s (resize+conv+proposal: 2.481s, nms+regionwise: 0.919s)
mean time: 3.510s
Cleared 0 solvers and 2 stand-alone nets
本文永久更新地址：
------分隔线----------------------------Faster-RCNN+ZF用自己的数据集训练模型(Python版本)
说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。
（做数据集的过程可以看）
Faster-RCNN源码下载地址：
Matlab版本：
本文用到的是Python版本，在Linux下运行。
Matlab版本的训练过程：
准备工作：
1.配置caffe
&&&& 这个不多说，网上教程很多。
2.其他的注意事项
&&&&& 这里说的挺详细了，认真看看吧。地址：（主要内容如下）
下面大概翻译一下上面网址的内容吧。
（1）安装cython, python-opencv,easydict
pip install cython
pip install easydict
apt-get install python-opencv
（2）下载py-faster-rcnn
# Make sure to clone with --recursive
git clone --recursive /rbgirshick/py-faster-rcnn.git
（3）进入py-faster-rcnn/lib
&& 执行make
（4）进入py-faster-rcnn\caffe-fast-rcnn
执行 cp Makefile.config.example Makefile.config
然后，配置Makefile.config文件，可参考我的配置：
配置好Makefile.config文件后，执行：
make -j8 && make pycaffe
（5）下载VOC2007数据集
提供一个百度云地址：
解压，然后，将该数据集放在py-faster-rcnn\data下，用你的数据集替换VOC2007数据集。（替换Annotations，ImageSets和JPEGImages）
（用你的Annotations，ImagesSets和JPEGImages替换py-faster-rcnn\data\VOCdevkit2007\VOC2007中对应文件夹）
（6）下载ImageNet数据集下预训练得到的模型参数（用来初始化）
提供一个百度云地址：
解压，然后将该文件放在py-faster-rcnn\data下
下面是训练前的一些修改。
1.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_fast_rcnn_train.pt修改
name: 'data'
type: 'Python'
top: 'data'
top: 'rois'
top: 'labels'
top: 'bbox_targets'
top: 'bbox_inside_weights'
top: 'bbox_outside_weights'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: &'num_classes': 16& #按训练集类别改，该值为类别数+1
name: &cls_score&
type: &InnerProduct&
bottom: &fc7&
top: &cls_score&
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 16 #按训练集类别改，该值为类别数+1
weight_filler {
type: &gaussian&
bias_filler {
type: &constant&
name: &bbox_pred&
type: &InnerProduct&
bottom: &fc7&
top: &bbox_pred&
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 64 #按训练集类别改，该值为（类别数+1）*4
weight_filler {
type: &gaussian&
std: 0.001
bias_filler {
type: &constant&
2.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_rpn_train.pt修改
name: 'input-data'
type: 'Python'
top: 'data'
top: 'im_info'
top: 'gt_boxes'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: &'num_classes': 16& #按训练集类别改，该值为类别数+1
3.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage2_fast_rcnn_train.pt修改
name: 'data'
type: 'Python'
top: 'data'
top: 'rois'
top: 'labels'
top: 'bbox_targets'
top: 'bbox_inside_weights'
top: 'bbox_outside_weights'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: &'num_classes': 16& #按训练集类别改，该值为类别数+1
name: &cls_score&
type: &InnerProduct&
bottom: &fc7&
top: &cls_score&
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 16 #按训练集类别改，该值为类别数+1
weight_filler {
type: &gaussian&
bias_filler {
type: &constant&
name: &bbox_pred&
type: &InnerProduct&
bottom: &fc7&
top: &bbox_pred&
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 64 #按训练集类别改，该值为（类别数+1）*4
weight_filler {
type: &gaussian&
std: 0.001
bias_filler {
type: &constant&
4.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage2_rpn_train.pt修改
name: 'input-data'
type: 'Python'
top: 'data'
top: 'im_info'
top: 'gt_boxes'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: &'num_classes': 16& #按训练集类别改，该值为类别数+1
5.py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/faster_rcnn_test.pt修改
name: &cls_score&
type: &InnerProduct&
bottom: &fc7&
top: &cls_score&
inner_product_param {
num_output: 16 #按训练集类别改，该值为类别数+1
name: &bbox_pred&
type: &InnerProduct&
bottom: &fc7&
top: &bbox_pred&
inner_product_param {
num_output: 64 #按训练集类别改，该值为（类别数+1）*4
6.py-faster-rcnn/lib/datasets/pascal_voc.py修改
class pascal_voc(imdb):
def __init__(self, image_set, year, devkit_path=None):
&&&&&&& imdb.__init__(self, 'voc_' + year + '_' + image_set)
&&&&&&& self._year = year
&&&&&&& self._image_set = image_set
&&&&&&& self._devkit_path = self._get_default_path() if devkit_path is None \
&&&&&&&&&&&&&&&&&&&&&&&&&&& else devkit_path
&&&&&&& self._data_path = os.path.join(self._devkit_path, 'VOC' + self._year)
self._classes = ('__background__', # always index 0
'你的标签1','你的标签2',你的标签3','你的标签4'
上面要改的地方是
修改训练集文件夹：
self._data_path = os.path.join(self._devkit_path, 'VOC'+self._year)
用你的数据集直接替换原来VOC2007内的Annotations，ImageSets和JPEGImages即可,以免出现各种错误。
修改标签：
self._classes = ('__background__', # always index 0
'你的标签1','你的标签2','你的标签3','你的标签4'
修改成你的数据集的标签就行。
cls = self._class_to_ind[obj.find('name').text.lower().strip()]这里把标签转成小写，如果你的标签含有大写字母，可能会出现KeyError的错误，所以建议标签用小写字母。
（去掉lower应该也行）
建议训练的标签还是用小写的字母，如果最终需要用大写字母或中文显示标签，可参考：
7.py-faster-rcnn/lib/datasets/imdb.py修改
该文件的append_flipped_images(self)函数修改为：
def append_flipped_images(self):
num_images = self.num_images
widths = [PIL.Image.open(self.image_path_at(i)).size[0]
for i in xrange(num_images)]
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 - 1
print boxes[:, 0]
boxes[:, 2] = widths[i] - oldx1 - 1
print boxes[:, 0]
assert (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
这里assert (boxes[:, 2] &= boxes[:, 0]).all()可能出现AssertionError，具体解决办法参考：
！！！为防止与之前的模型搞混,训练前把output文件夹删除（或改个其他名），还要把py-faster-rcnn/data/cache中的文件和
py-faster-rcnn/data/VOCdevkit2007/annotations_cache中的文件删除（如果有的话）。
至于学习率等之类的设置，可在py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt中的solve文件设置，迭代次数可在py-faster-rcnn\tools的train_faster_rcnn_alt_opt.py中修改：
max_iters = [8, 8]分别为4个阶段（rpn第1阶段，fast rcnn第1阶段，rpn第2阶段，fast rcnn第2阶段）的迭代次数。可改成你希望的迭代次数。
如果改了这些数值，最好把py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt里对应的solver文件（有4个）也修改，stepsize小于上面修改的数值。
8.开始训练
进入py-faster-rcnn，执行：
./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc
这样，就开始训练了。
将训练得到的py-faster-rcnn\output\faster_rcnn_alt_opt\***_trainval中ZF的caffemodel拷贝至py-faster-rcnn\data\faster_rcnn_models（如果没有这个文件夹，就新建一个），然后，修改：
py-faster-rcnn\tools\demo.py,主要修改：
CLASSES = ('__background__',
'你的标签1', '你的标签2', '你的标签3', '你的标签4')
改成你的数据集标签；
NETS = {'vgg16': ('VGG16',
'VGG16_faster_rcnn_final.caffemodel'),
'zf': ('ZF',
'ZF_faster_rcnn_final.caffemodel')}
上面ZF的caffemodel改成你的caffemodel。
im_names = ['1559.jpg','1564.jpg']
改成你的测试图片。(测试图片放在py-faster-rcnn\data\demo中)
在py-faster-rcnn下，
./tools/demo.py --net zf
或者将默认的模型改为zf：
parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16]',
choices=NETS.keys(), default='vgg16')修改：
default='zf'执行：
./tools/demo.py








看过本文的人也看了：
我要留言技术领域：
取消收藏确定要取消收藏吗？
删除图谱提示你保存在该图谱下的知识内容也会被删除，建议你先将内容移到其他图谱中。你确定要删除知识图谱及其内容吗？
删除节点提示无法删除该知识节点，因该节点下仍保存有相关知识内容！
删除节点提示你确定要删除该知识节点吗？