深度学习目标检测之 R-CNN 系列：用 Faster R-CNN 训练自己的数据(caffe 版)

本文链接：https://blog.csdn.net/kuweicai/article/details/104979657

深度学习目标检测之 R-CNN 系列：用 Faster R-CNN 训练自己的数据(caffe 版)

深度学习目标检测之 R-CNN 系列包含 3 篇文章：

1. 前言

原文中提到了三种训练方法，在 py-faster-rcnn 中给出了两种训练方法，一种就是前一篇文章中介绍过的 4 步法，另一种是 end-to-end 的训练方法。

end-to-end 的方法是后来提出来的，它的优势就是训练更方便，不用来回倒腾，速度更快，精度和 4 步法差不多。更多关于 end-to-end 的介绍可以参考 Ross Girshick 在 ICCV15 上的报告 Training R-CNNs of various velocities -slow, fast, and faster。也可以参考 faster rcnn end2end 训练与测试。

这里将分别介绍 4 步法（faster_rcnn_alt_opt）和 end-to-end 的方式来训练自己的数据。

2.准备工作

由于 py-faster-rcnn 中的代码是 python2.x 的版本，所以如果你用的是 python3.x 的话，需要进行修改，如果不想浪费时间，也可以直接用我已经改好的版本，这个版本就是在原版的基础上进行了从 python2 到 python3 的修改，没有其他的改动。

在开始训练之前，建议先确保 caffe 已经 build 成功，并且成功运行 demo。由于运行 demo 需要预训练好的模型，而直接运行脚本将从国外的站点下载，速度很慢，所以建议先从以下百度云盘下载模型。这些方面的介绍很多，这里就不具体阐述了。

下载 faster_rcnn_models 和 imagenet_models
链接：https://pan.baidu.com/s/1dKkYZwuEJ6cYHIr9FwMw5A 
提取码：zb6y

另外值得一提的是，根据自己的硬件条件确定基础网络是用 ZF，VGG16 或者其他。

3. 准备自己的数据

coco 和 voc 格式的数据集都是可以的，这里用的是 voc 格式。我这里用的是一个关于安全帽检测的开放数据集。

如果你想自己制作 voc 格式的数据集可以参考为目标检测制作PASCAL VOC2007格式的数据集

4. faster_rcnn_alt_opt

准备好数据集后将数据集放到 data 文件夹下，为了尽量的减少出错的可能，建议直接用你的数据集替换原有的 VOCdevkit2007。

1).[VOC2007数据集百度云下载](http://pan.baidu.com/s/1mhMKKw4)。

2).用你自己数据集的Annotations，ImagesSets和JPEGImages替换py-faster-rcnn\data\VOCdevkit2007\VOC2007中对应文件夹。

需要根据自己的数据集的类别更改网络的参数。具体可以参考 Faster-RCNN+ZF用自己的数据集训练模型(Python版本)。

做好准备之后就可以开始训练了。

cd $FRCN_ROOT
./experiments/scripts/faster_rcnn_alt_opt.sh [GPU_ID] [NET] [--set ...]
# GPU_ID is the GPU you want to train on
# NET in {ZF, VGG_CNN_M_1024, VGG16} is the network arch to use
# --set ... allows you to specify fast_rcnn.config options, e.g.
#   --set EXP_DIR seed_rng1701 RNG_SEED 1701

比如： ./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc