tensorflow版faster rcnn代码运行记录

背景：faster-rcnn的使用是由于项目上使用，由外协（sjtu）提供的代码包开始。作为一个目标检测领域的baseline算法，值得深入学习。
简介：
Faster RCNN是在SPPnet和Fast RCNN的基础上，为了提升目标区域检测的速度，提出了RPN网络，这是一个全卷积网络，并且与检测网络共享全图卷积网络特征层。Faster RCNN可以简单地看做区域生成网络(RPN)+fast RCNN的系统，用区域生成网络代替fast RCNN中的Selective Search方法。
在GPU上能够打打约5帧每秒的速度，对于PASCAL VOC 2007, 2012, 与 MS COCO 数据集，只需约300个候选区域即可达到很好的识别效果。
论文：
Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun ，2017《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》：https://arxiv.org/abs/1506.01497
Xinlei Chen，Abhinav Gupta，《An Implementation of Faster RCNN with Study for Region Sampling》：https://arxiv.org/pdf/1702.02138.pdf
代码
官方matlab版本：https://github.com/shaoqingren/faster_rcnn ,依赖于caffe
matlab版本翻译的python版本：https://github.com/rbgirshick/py-faster-rcnn ，依赖于Caffe 与 pycaffe。
python版本翻译的tensorflow版本：https://github.com/endernewton/tf-faster-rcnn
参考博客：
https://blog.csdn.net/qq_36269513/article/details/80422276 等。

tf版代码使用记录：
（以下内容为外协提供的使用说明，在其基础上做了一些改动，网上应该也都能查到）
一、数据准备
1.将数据集所有标签复制到
‘/tf-faster-rcnn-master/data/VOCdevkit2007/VOC2007/
Annotations’目录下。
2.将数据集所有图片复制到
‘/tf-faster-rcnn-master/data/VOCdevkit2007/VOC2007/JPEGImages’
目录下。
3.将’/tf-faster-rcnn-master/data/VOCdevkit2007/VOC2007/ImageSets/
Main’目录下的test.txt文件、train.txt文件、trainval.txt文件、val.txt文件内容清空。
4.然后，在该目录[’/root/tf-faster-rcnn-master/data’]下执行如下命令：

python generate_sets.py

即生成了随机的训练集train.txt，验证集val.txt，测试集test.txt，以及合并了train.txt和val.txt的trainval.txt文件。

5.打开’/tf-faster-rcnn/lib/datasets/’下的pascal_voc.py（修改类别self.classes[line36]为自己数据集的类别）

6.训练前:
将’/tf-faster-rcnn-master/data/cache中的文件 、
‘/tf-faster-rcnn-master/output/res101/voc_2007_trainval/default’中的上次训练的模型文件删除（非常重要！！！！！）

7.学习率等参数可在/tf-faster-rcnn/lib/model下的config.py文件中进行修改。

8.迭代次数【ITERS 】可在/tf-faster-rcnn/experiments/scripts中的train_faster_rcnn.sh文件中进行修改。

9.检查一下显卡情况：执行命令：

nvidia-smi

查看GPU使用情况，使用内存剩余较多的显卡。

二、开始训练：
10.进入tf-faster-rcnn-master目录，执行：

./experiments/scripts/train_faster_rcnn.sh  0  pascal_voc  res101

注----格式为：
#./experiments/scripts/faster_rcnn.sh GPU DATASET NET
另外，
DATASET的选项见experiments/scripts/train_faster_rcnn.sh文件[pascal_voc或pascal_voc_0712或coco]，
NET的选项见tf-faster-rcnn-master/tools/train_val.py
[train_net.py, Vgg16,res50,res101,res152,mobile]文件最后。

**注：**生成的模型保存在output目录下，生成的log保存在experiments/logs目录下面。

三、测试过程：
11.进入tf-faster-rcnn-master目录，执行：

./experiments/scripts/test_faster_rcnn.sh  0  pascal_voc  res101

注意： 跑测试利用的是训练生成的模型，所以一定要打开上述文档看一下调用的模型是不是想用的那个模型！

四、跑DEMO测试其他图片：
12.进入tf-faster-rcnn目录，执行：

python tools/demo.py

注意：第148行的类别数要与pascal_voc.py统一，
即[ net.create_architecture(“TEST”,]后面的数字

改一下文档中的测试图片及其路径！注意一下调用的模型是哪个！
在用不同迭代参数训练后，demo测试时除了更改类别参数，还要更改模型名称，
tfmodel=’/。。。/tf-faster-rcnn-master/output/res101/voc_2007_trainval/default/res101_faster_rcnn_iter_70000.ckpt’ #model path
测试图片的名字（.txt）以及路径（IMAGEJPEG）

generates_set.py

#generates_set.py
import os
import random
import math

filepath='/media/linux_data/tf-faster-rcnn-master/data/VOCdevkit2007/VOC2007/Annotations'
savepath='/media/linux_data/tf-faster-rcnn-master/data/VOCdevkit2007/VOC2007/ImageSets/Main/'

train_percent=0.7  #percentage of train
val_percent=0.1    #percentage of val
dirs = os.listdir(filepath)
for i in range(len(dirs)):
    dirs[i]=dirs[i].split('.')[0]
random.shuffle(dirs)
numOftrain = int(math.floor(len(dirs)*train_percent))
numOfval   = int(math.floor(len(dirs)*val_percent))

f = open(savepath+'train.txt','w')
for i in range(numOftrain):
    f.write(dirs[i]+'\n')
f.close()

f = open(savepath+'val.txt','w')
for i in range(numOftrain, numOftrain+numOfval):
    f.write(dirs[i]+'\n')
f.close()

f = open(savepath+'test.txt','w')
for i in range(numOftrain+numOfval,len(dirs)):
    f.write(dirs[i]+'\n')
f.close()
#newly added
f = open(savepath+'trainval.txt','w')
for i in range(numOftrain+numOfval):
    f.write(dirs[i]+'\n')
f.close()

暂时记录到这里，后面有空再补充。