深度学习Caffe实战笔记（21）Windows平台 Faster-RCNN 训练好的模型测试数据

最新推荐文章于 2024-09-06 11:16:49 发布
最新推荐文章于 2024-09-06 11:16:49 发布
阅读量3.1k 收藏 3
点赞数
分类专栏： caffe-深度学习 文章标签： windows 深度学习 RCNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gybheroin/article/details/72602217
版权
本文档详细阐述了如何在Windows上使用Faster-RCNN训练模型进行测试数据验证。首先，介绍了训练模型的存放位置，并将脚本文件移动到相应目录。其次，对detection_test.prototxt协议文件进行修改，删除不必要的层并更新输入数据配置。最后，运行MATLAB脚本script_faster_rcnn_demo.m，展示了即使样本量少，测试结果仍然令人满意。
摘要由CSDN通过智能技术生成

前一篇博客介绍了如何利用Faster-RCNN训练自己的数据集，训练好会得到一个模型，这篇博客介绍如何利用训练好的模型进行测试数据。

1、训练好的模型存放位置
训练好的模型存放在faster_rcnn-master\output\faster_rcnn_final\faster_rcnn_VOC2007_ZF，把script_faster_rcnn_demo.m文件拷贝到faster_rcnn-master文件夹下，然后把模型路径改成训练好的模型路径

model_dir                   = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_ZF');

2、修改协议文件
打开faster_rcnn-master\output\faster_rcnn_final\faster_rcnn_VOC2007_ZF\detection_test.prototxt
把relu5包括relu5以前的层都删除，
把input data修改为如下：

input: "data"
inpu
最低0.47元/天 解锁文章
蒲衣翁
关注
专栏目录
深度学习Caffe实战笔记（19）Windows平台 Faster-RCNN 制作自己的数据集
gybheroin的博客
05-20 5130
万里长征第一步，就是要制作自己的数据集，过程还是比较繁琐的，特别是标注的过程，这篇博客先介绍如果制作voc2007自己的数据集用于faster-rcnn训练，下一篇博客介绍如何用faster-rcnn训练自己的数据。1、准备图像 图像要用.jpg或者jpeg格式的，如果是png或者其它格式，自己转换一下就好，图像名称要用000001.jpg，只有和VOC2007数据集图像名称一致，才能最大限度的
Caffe: Faster RCNN训练模型(Windows)
灰羽的博客
07-13 2464
用自己数据训练faster rcnn，windows版
windows+caffe+faster rcnn 用自己的数据集训练模型总结
wwy
07-13 399
本文主要参考这两篇博客： 1、https://blog.csdn.net/weixin_38715903/article/details/81077326 2、https://blog.csdn.net/LOVE1055259415/article/details/79047309 预训练模型下载链接：https://pan.baidu.com/s/1XCweY6GLt0HmPlrzXcjV...
大模型 | 讲透一个强大的算法模型，CNN！！
最新发布
老皮的博客
09-06 1387
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
已经训练好的多个模型，
09-20
已经训练好的多个模型，有时候可以多看看，当然也可以下载
facenet官方训练好的模型
06-20
谷 歌 官 方 训 练 好 的 模 型，可 以 直 接 使 用，
深度学习Caffe实战笔记（20）Windows平台 Faster-RCNN 训练自己的数据集
gybheroin的博客
05-21 5009
昨天晚上博主干到12点多，终于用了一晚上时间搞定了Faster-Rcnn训练自己的数据集，这篇博客介绍如何用faster_rcnn训练自己的数据集，前提是已经准备好了自己的数据和配置好了faster-rcnn的环境。 制作数据集教程：http://blog.csdn.net/gybheroin/article/details/72581318 环境配置教程：http://blog.csdn.ne
深度学习Caffe实战笔记（18）Windows平台 Faster-RCNN 环境配置
gybheroin的博客
05-17 4427
好久不写博客了，因为前一段时间博主身体抱恙，感触颇多。。。。。。都说windows平台做caffe和tensorflow坑多，博主没有太多优点，唯独的一个优点就是不服输，Windows平台虽然坑多，但是填坑也是蛮有意思的一件事情。另外，在Siamese网络训练自己的数据那个博客，经过高人点评，有些不太完善的地方，具体的信息请看那篇博客的一个长评论。劳动节的时候帮一个师妹配置caffe，她说要做RCN
【caffe学习笔记之8】Caffe运行Faster-RCNN算法实现目标检测(1)
汽车数据技术前瞻
01-18 3115
【Faster-RCNN算法】        Faster R-CNN（其中R对应于“Region(区域)” ）是基于深度学习R-CNN系列目标检测最好的方法。使用VOC2007+2012训练集训练，VOC2007测试集测试mAP达到73.2%，目标检测的速度可以达到每秒5帧。技术上将RPN网络和Fast R-CNN网络结合到了一起，将RPN获取到的proposal直接连到ROI pooling
保存faster-rcnn的检测结果
weixin_39970417的博客
09-04 2495
为了分析faster-Rcnn的测试结果，需要先将测试结果保存起来，效果如下： （图片名 类别 bbox坐标） 代码如下： #!/usr/bin/env python # -------------------------------------------------------- # Faster R-CNN # Copyright (c) 2015 Microsoft # L...
python3下faster-rcnn-tensorflow的结果展示二
lj19940110的博客
09-13 1276
书接上文，在经过训练后，模型会被保存在default中，需要把它移动到output文件夹下，具体路径如图所示 这里要注意，程序中原本的训练最大迭代次数为40000，而demo.py中读取的是迭代次数为70000的结果，我们修改后执行demo.py，当然也可以修改最大迭代次数，不过这个要在训练之前修改。 具体修改文件位置是： 修改最大迭代次数：lib/config/config.py中的t...
faster rcnn文件夹说明
u012841667的专栏
04-07 5275
1、tools文件夹 （1）_init_paths.py 用来初始化路径的，也就是之后的路径会join（path，*） （2）compress_net.py 用来压缩参数的，使用了SVD来进行压缩，这里可以发现，作者对于fc6层和fc7层进行了压缩，也就是两个全连接层。 （3）demo.py 通常，我们会直接调用这个函数，如果要测试自己的模型和数据，这里需要修改。这里调用了fast_r
faster rcnn的测试
生如蚁，美如神
11-13 1333
当训练结束后，faster rcnn的模型保存在在py-faster-rcnn/output目录下，这时就可以用已有的模型对新的数据进行测试。 下面简要说一下测试流程。 测试的主要代码是./tools/test_net.py，并且使用到了fast_rcnn中test.py。   主要流程就是： 1. 读取imdb，主要就是测试数据的位置等信息。 2.   然后循环读取图片
Deep Learning模型之：CNN卷积神经网络（一）深度解析CNN
热门推荐
u010555688的专栏
04-25 8万+
1. 概述         回想一下BP神经网络。BP网络每一层节点是一个线性的一维排列状态，层与层的网络节点之间是全连接的。这样设想一下，如果BP网络中层与层之间的节点连接不再是全连接，而是局部连接的。这样，就是一种最简单的一维卷积网络。如果我们把上述这个思路扩展到二维，这就是我们在大多数参考资料上看到的卷积神经网络。具体参看下图：
cnn模型训练——从环境搭建到模型部署
weixin_46326852的博客
08-25 6620
一、准备python环境 以Windows平台为例： 1.安装python3 直接默认安装，并且添加到PATH。 安装完毕后在命令行输入python回车查看是否安装成功。 2.更换pip源 在命令行输入%APPDATA%，点击确定，进入C:Users\用户名\AppData\Roaming文件夹，在该文件夹下新建文件夹pip，在pip下新建文本文件，在其中填入如下内容，然后将文件命名为pip，扩展名改为ini。 [global] index-url = http://mirror
深度学习——自己的训练集——训练模型（CNN）
2301_76794217的博客
05-27 2055
训练模型，导入必要的库，加载类别名称，创建标签映射字典，加载图像数据和对应的标签，构建和编译CNN模型，训练模型，保存训练好的模型
深度学习——图像分类（CNN）—训练模型
2301_76794217的博客
05-23 1880
导入必要的库，定义超参数，读取训练和测试标签CSV文件，确保标签是字符串类型，显示两个数据框的前几行以了解它们的结构，定义图像处理参数，创建图像数据生成器，设置目录路径，创建训练和验证数据生成器，构建模型，编译模型，训练模型并收集历史，绘制损失和准确率曲线，保存图表，保存模型到本地
卷积神经网络（CNN）的训练过程（Training）
huayangshiboqi的博客
11-06 1万+
在初识神经网络（初识卷积神经网络CNN）篇，对卷积神经网络有了基本的认识。 不过也可以发现一个问题，输入是一张Image，图像信息是确定的；而CNN网络里面也有数据，那这些数据是哪来的？ 总不能是随便一个数放在CNN网络里，它就可以正常识别； 想要CNN网络进行正确的识别工作，CNN网络中的数据（weights）是需要事先训练的；那怎么训练这些数据，才能让CNN网络正常工作呢？ 这里举一个简单的神经网络进行说明如何训练CNN网络中的数据（weights）： 1 定义基础的神经网络模型：
一文总结经典卷积神经网络CNN模型
全栈O-Jay的博客
04-01 6836
总结从1998年至今的优秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。了解巨佬们的智慧结晶，学习算法上的思路和技巧，便于我们自己构建模型，也便于我们做迁移学习。
快速部署Py-Faster-RCNN模型至MATLAB，支持CUDA和CUDNN
训练深度学习模型需要准备大量标记好的数据。在py-faster-rcnn框架中，这些数据需要按照特定的文件结构组织。例如，数据集目录下应包含`Annotations`（标注文件）、`classes.txt`（类别列表）、`ImageSets`（图像...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值