对比实验系列：Faster R-CNN配置及训练自己数据集

一、源码下载

GitHub - bubbliiiing/faster-rcnn-pytorch: 这是一个faster-rcnn的pytorch实现的库，可以利用voc数据集格式的数据进行训练。这是一个faster-rcnn的pytorch实现的库，可以利用voc数据集格式的数据进行训练。. Contribute to bubbliiiing/faster-rcnn-pytorch development by creating an account on GitHub.https://github.com/bubbliiiing/faster-rcnn-pytorch

二、环境配置

1、基础环境

python=3.8，pytorch=1.9.1+cu111，torchvision=1.10.1+cu111

conda create -n rcnn python=3.8 -y

conda activate rcnn

pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

2、其他依赖包安装

pip install -r requirements.txt

3、预训练权重下载

将预训练权重下载至代码的根目录

三、制作自己的数据集

数据集依然采用的是VOC格式的数据集

1、数据集存放

将数据集所有的xml标签放在VOCdevkit\VOC2007\Annotations里，所有的图片文件（强烈建议图片格式为jpg）放在VOCdevkit\VOC2007\JPEGImages里。

2、数据集划分

根据自己的需要修改训练集和验证集的比例，运行voc_annotation.py，会在根目录生成2007_train.txt和2007_val.txt，以及会在VOCdevkit\VOC2007\ImageSets\Main文件夹下生成三个txt文件，分别为train.txt，val.txt，trainval.txt和test.txt

3、建立标签文件

在model_data文件夹内建立mydata.txt，里面存放你所有的标签名称（按顺序）

四、修改参数进行训练

在train.py文件内修改参数

1、显卡

默认0卡，多卡训练请修改，双卡为[0, 1]、三卡为[0, 1, 2]

 2、标签路径

修改为三.3中的标签文件路径

 

 3、预训练权重路径

4、 调整batch和线程数

5、训练集、测试集图片索引文件

6、开始训练

python train.py