R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验笔记

最新推荐文章于 2022-07-18 23:07:41 发布
最新推荐文章于 2022-07-18 23:07:41 发布
阅读量3.1k 收藏 1
点赞数
分类专栏： 机器学习&深度学习

R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验笔记

深度学习班和视觉班寒老师和李老师讲过图像检测与识别，这篇笔记主要记录R-FCN、SSD、YOLO2、faster-rcnn和labelImg实验。

R-FCN
paper: https://arxiv.org/abs/1605.06409
作者代码： https://github.com/daijifeng001/R-FCN #matlab版本
这里使用python版本的代码： https://github.com/Orpine/py-R-FCN

1.下载代码
git clone  https://github.com/Orpine/py-R-FCN.git

2.克隆caffe
cd py-R-FCN
git clone  https://github.com/Microsoft/caffe.git #Microsoft的源
[可选]
cd caffe
git reset --hard 1a2be8e

3.编译Cython模块
cd py-R-FCN/lib
make

4.编译caffe和pycaffe

这里Makefile.config要支持Python layers!

In your Makefile.config, make sure to have this line uncommented

WITH_PYTHON_LAYER := 1

cd py-R-FCN/caffe
cp Makefile.config.example Makefile.config 
make -j8 && make pycaffe

5.下载resnet caffemodel
从OneDriver下载rfcn_models  https://1drv.ms/u/s!AoN7vygOjLIQqUWHpY67oaC7mopf
解压到:py-R-FCN/data下
解压后的目录：
py-R-FCN/data/rfcn_models/resnet50_rfcn_final.caffemodel
py-R-FCN/data/rfcn_models/resnet101_rfcn_final.caffemodel

6.运行demo
python py-R-FCN/tools/demo_rfcn.py --net ResNet-50
python py-R-FCN/tools/demo_rfcn.py --net ResNet-101

ResNet-50效果图：

resnet50.png


resnet50-2.png


ResNet-101效果图：

R-FCN101.png


R-FCN101-2.png


7.准备训练和测试
笔者这里简单使用VOC2007，并且修改名称VOC0712，笔者把数据集直接放在py-R-FCN/data下
官网使用VOC2007和VOC2012，使用的时候要合并数据集，具体参考官网的Preparation for Training & Testing 第四点

8.下载ImageNet 与预训练的ResNet-50和ResNet-100
OneDriver: https://onedrive.live.com/%3Fa ... FF777(在KaimingHe的github  https://github.com/KaimingHe/d ... works )
mkdir py-R-FCN/data/imagenet_models
将model放到该目录

9.可自己修改模型，类别，修改相应的py-r-fcn/py-R-FCN/models/pascal_voc/目录下对应的文件和py-r-fcn/lib/datasets/pascal_voc.py。笔者这里还是使用默认的。

10.修改迭代次数
vi py-r-fcn/experiments/scripts/rfcn_end2end_ohem.sh
把pascal_voc的ITERS 调小

11.训练
./py-r-fcn/experiments/scripts/rfcn_end2end_ohem.sh 0 ResNet-50 pascal_voc 
其他训练方式请自行参考官网Usage

R-FCN_training.png


12.测试
将训练好的模型py-r-fcn/py-R-FCN/output/rfcn_end2end_ohem/voc_0712_trainval/resnet50_rfcn_ohem_iter_x.caffemodel，放到 py-r-fcn/py-R-FCN/data/rfcn_models 下，修改 py-R-FCN/tools/demo_rfcn.py的NETS，运行

SSD
paper: https://arxiv.org/abs/1512.02325
作者代码： https://github.com/weiliu89/caffe/tree/ssd

1.下载代码：
git clone  https://github.com/weiliu89/caffe.git
cd caffe
git checkout ssd

2.编译代码
cp Makefile.config.example Makefile.config
make -j8
make py
make test -j8
make runtest -j8

3.准备
1.下载caffemodel和prototxt 
https://gist.github.com/weiliu ... f81d6
从上边地址下载完放到/models/VGGNET/

4.下载VOC2007和VOC2012
cd /root/data
wget  http://host.robots.ox.ac.uk/pa ... 2.tar
wget  http://host.robots.ox.ac.uk/pa ... 7.tar
wget  http://host.robots.ox.ac.uk/pa ... 7.tar
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar

5.创建LMDB文件
cd $CAFFE_ROOT
./data/VOC0712/create_list.sh
./data/VOC0712/create_data.sh

6.训练模型
python examples/ssd/ssd_pascal.py 
也可以从这里 http://www.cs.unc.edu/%257Ewli ... ar.gz 下训练好的模型。

7.评估模型
python examples/ssd/score_ssd_pascal.py

ssd-final.png


8.测试模型
python examples/ssd/ssd_pascal_webcam.py #笔者这步忽略
贴几张youtube的SSD实时检测效果，视频地址： https://www.youtube.com/watch?v=6q-DBCPROA8

youtube_ssd_1.png


youtubeaas1.png


youtubess3.png


youtubessd5.png


直接用ssd_detect.ipynb（examples/ssd_detect.ipynb）测试

ssd-example.png


9.训练其他数据集忽略

mxnet 版本的ssd
代码地址： https://github.com/zhreshold/mxnet-ssd

1.下载代码
git clone --recursive  https://github.com/zhreshold/mxnet-ssd.git

2.编译mxnet
cd mxnet-ssd/mxnet
cp make/config.mk ./config.mk #自行修改配置文件
make -j8

3.下载预训练模型
地址： https://dl.dropboxusercontent. ... 2.zip。下载后解压到model下

4.测试demo
python demo.py --epoch 0 --images ./data/demo/dog.jpg --thresh 0.5

效果图：

mxnet-ssd1.png


mxnetssd3.png


5.其他的训练数据忽略

YOLO2
paper: https://arxiv.org/abs/1506.02640
官网： http://pjreddie.com/darknet/yolo/

1.下载代码
git clone  https://github.com/pjreddie/darknet
cd darknet
make

2.下载模型
wget  http://pjreddie.com/media/files/yolo.weights

3.检测
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
效果图

yolo1.png


yolo2.png


其他效果图

yolo3.png


yolo4.png


4.所有检测
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0

yolo5.png


5.在视频上检测
./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights <video file>

yolo2.png


yolo2-2.png


yolo3.png


yolo2-v3.png


faster-rcnn
paper: https://arxiv.org/abs/1506.01497
官方版本： https://github.com/ShaoqingRen/faster_rcnn #matlab
这里使用python版本： https://github.com/rbgirshick/py-faster-rcnn

1.下载代码
git clone --recursive  https://github.com/rbgirshick/py-faster-rcnn.git
笔者这里换了官方的源，没问题的同学可忽略
cd caffe-fast-rcnn

git remote add caffe  https://github.com/BVLC/caffe.gitX86Xgit fetch caffe

git merge caffe/master 

2.编译Cython模块
cd $FRCN_ROOT/lib
make

3.编译caffe和pycaffe

这里Makefile.config要支持Python layers!

In your Makefile.config, make sure to have this line uncommented

WITH_PYTHON_LAYER := 1

cd $FRCN_ROOT/caffe-fast-rcnn
make -j8 && make pycaffe

4.下载预训练模型
cd $FRCN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh

5.测试demo
cd $FRCN_ROOT
./tools/demo.py

效果图：

faster-rcnn1.png


faster-rcnn.png


faster-rcnn4.png


faster-rcnn5.png


faster-rcnn6.png


6.其他数据集训练的此处忽略

labelImg
笔者使用的图像标注工具是labelImg,制作的格式和PASCAL VOC一样，可在windows、linux和Mac使用。
代码地址： https://github.com/tzutalin/labelImg

1.环境依赖
至少python2.6和PyQt 4.8

2.Linux/Ubuntu/Mac 安装
sudo apt-get install pyqt4-dev-tools
sudo pip install lxml
make all
./labelImg.py

Windows
在文件目录下执行
pyrcc4 -o resources.py resources.qrc
python labelImg.py

3.常规使用步骤
python labelImg.py
在File菜单选Change default saved annotation folder
点击Open Dir，打开图片路径
点击Create RectBox，画标注

4.常用快捷键
Ctrl + r 选择annotation的默认存放路径
Ctrl + n 新建一个标注
Ctrl + s 保存图片
n：下张图片
p：上一张图片

5.预先可以在 labelImg/data/predefined_classes.txt 定义标注类别

labelImage.png
    2016-11-20  添加评论
    necrazy
    关注
    • 0
      点赞
    • 踩
    • 1
      收藏
      觉得还不错? 一键收藏
    • 0
      评论
    专栏目录
    带你深入AI（4）- 目标检测领域：R-CNN，faster R-CNN，yolo，SSD, yoloV2
    谢杨易的博客
    04-15 2万+
    1 引言 深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。上文我们对物体识别领域的技术方案，也就是CNN进行了详细的分析，对LeNet-5 AlexNet VGG Inception ResNet MobileNet等各种优秀的模型框架有了深入理解。本文着重与分析目标检测领域的深度学习方法，对其中的经典模型框架进行深入分析。 目标检测可以理解为是物体识...
    【数据标注】使用LabelImg标注YOLO格式的数据（案例演示）
    最新发布
    这个函数可导的博客
    04-26 3288
    本文介绍了如何安装LabelImg及一些常用的设置和快捷键的使用。除此之外，还演示了如何从零开始对一个数据集中的图片进行标注及对标注信息进行验证。
    YOLOv3+Faster R-CNN+SSD训练和测试自己的数据
    qq_36076110的博客
    07-13 4018
    首先制作自己的数据集—VOC2007数据集制作，接下来就可以开始搞事情了.... 一：YOLOv3相关 官网：YOLO: Real-Time Object Detection 进化之路：YOLO v1,YOLO v2,YOLO9000算法总结与源码解析 系统学习深度学习（三十二）--YOLO v1,v2,v3 原理部分：目标检测网络之 YOLOv3 ...
    OpenCV DNN模块教程(三)SSD/Faster-RCNN目标检测实例
    Color Space的博客
    10-14 820
    本文为OpenCV DNN模块官方教程的扩展，介绍如何使用OpenCV加载TensorFlow Object Detection API训练的模型做目标检测，以SSD和Faster-RCNN为例。 TensorFlow Object Detection API的github链接地址如下： https://github.com/tensorflow/models/tree/master/research/object_detection现同时支持TensorFlow1.x和Tesnor...
    DL | YOLOv3+Faster R-CNN+SSD训练和测试自己的数据
    lovetaozibaby的博客
    05-29 423
    首先制作自己的数据集—VOC2007数据集制作，接下来就可以开始搞事情了… 一：YOLOv3相关 官网： YOLO: Real-Time Object Detection 进化之路： YOLO v1,YOLO v2,YOLO9000算法总结与源码解析 系统学习深度学习（三十二）–YOLO v1,v2,v3 原理部分： 目标检测网络之 YOLOv3 YOLOv3 资源合集 yolo3源码分析 YOL...
    一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
    12-23
    2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
    图像卷积操作matlab代码-py-R-FCN-multiGPU:用于在caffe中的多个GPU上训练py-faster-rcnn和py-R-
    05-23
    py-R-FCN-multiGPU支持对诸如quick-rcnn和py-R-FCN的检测器进行多GPU训练 存储库在COCO上可获得更好的结果，因此请参考它。 存储库的COCO的mAP为40.9％。 免责声明 提供了官方的R-FCN代码（用MATLAB编写）。 py-R-...
    py-R-FCN的预训练模型
    01-08
    解压之后的文件改名为.gz后缀再解压，里面的文件分别是resnet50_rfcn_final.caffemodel和resnet101_rfcn_final.caffemodel
    RCNN、FASTRCNN、FASTER-RCNN、FCN论文打包
    01-25
    包含RCNN、Fast-RCNN、Faster-RCNN和FCN的论文，帮助从原理上理解object detection
    R-FCN-master.zip_FCN分割_R-FCN_r fcn_rfcn_rfcn网络
    07-14
    RFCN，用于进行物体的检测和分割，能够检测出需要的物体
    fast-rcnn训练中制作成PASCAL VOC数据集的用到的labelImg工具
    wangyu088的专栏
    02-09 2399
    最近在弄fast-rcnn，将用到的资料做个备份，同时方便跟我一样学习fast-rcnn的朋友做个参考。 fast-rcnn训练自己的数据集时，通常需要制作成PASCAL VOC数据集的格式，基本上是以xml文件作为输入数据。这里给出制作成xml文件的标图工具的下载地址。       下载地址：https://github.com/tzutalin/labelImg 解压后即可运行。   
    SSD安装及训练自己的数据集
    热门推荐
    zhang_shuai12的专栏
    08-28 4万+
    最近一直在搞object detection玩，之前用的是faster-rcnn，准确率方面73.2%，效果还不错，但是识别速度有点欠缺，我用的GPU是GTX980ti, 识别速度大概是15fps.最近发现SSD(single shot multibox detector) 这篇论文效果和速度都不错，我自己实验了一下，速度确实比faster-rcnn快不少。下面分两部分来介绍。第一部分介绍SSD的安
    目标检测学习总结之RCNN、SPP-net、Fast RCNN、Faster RCNN、YOLO、SSD的区别
    Angela_qin的博客
    07-10 1万+
    RCNNR-CNN的目标检测流程： a) 输入图像，用selective search(选择性搜索)算法在图像中提取2000个左右的region proposal（侯选框），并把所有region proposal warp（缩放）成固定大小（原文采用227×227） 。补充：selective search选择性搜索综合了蛮力搜索（exhaustive search）和分割（segmentatio...
    Object Detection -- 论文SSD(SSD: Single Shot MultiBox Detector)解读
    DFan的NoteBook
    10-15 3954
    SSDIntroduction基于“Proposal + Classification” 的 Object Detection 的方法，R-CNN 系列取得了非常好的结果，但是在速度方面离实时引用还差的比较多。前面讲的YOLO虽然能够达到实时的效果，但是在准确度上与the-state-of-art 的结果有很大的差距。YOLO 的问题在于：每个网格只预测一个物体，容易造成漏检；对于物体的尺度相对比较
    目标检测-Faster R-CNN和SSD的损失函数损失函数
    weixin_42262702的博客
    12-22 493
    目标检测-损失函数Matching strategy (匹配策略)： Matching strategy (匹配策略)：
    CV感悟：YOLO与R-CNN的比较
    yangzixuan_0608的博客
    12-23 7786
    一、首先理解下“一步法”和“两步法” two-stage方法，如R-CNN系算法 即是两步法： -- 第一步选取候选框 -- 第二步对这些候选框分类或者回归 one-stage方法，如Yolo和SSD 即是一步法： -- 其主要思路是均匀地在图片的不同位置进行密集抽样 -- 抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归 -- 整个过程只需要...
    目标检测—yolo系列、SSD、Faster rcnn 等代码手把手教学（环境配置、标签制作、代码提供、替换主干、注意力机制、模型训练、结果展示（map、ap、recall、loss等））
    qq_42725011的博客
    03-12 2795
    1.环境配置 环境配置起着至关重要的作用，一段相同的代码在不同的环境中，可能天差地别。其主要原因每个环境中的包不同，代码调用不了导致报错。本文可选的环境有 torch、tensorflow、kears.【图片】不同环境库选择（安装了两个库还有一个标准库） 2.标签制作 一般目标检测用的比较多的标签为xml格式，可以用labelImg软件制作，非常方便且有效。【图片】标签制作 3.代码提供 代码十分重要，一个好的代码会让你事半功倍。目前比较热门的有yolo系列，SSD、Faster Rcnn等。这些代码为本人
    目标检测打卡营上：VOC/COCO数据集、评测指标&Faster R-CNN等两阶段检测算法
    qq_56591814的博客
    07-18 4736
    本文介绍了： 1. 目标检测基本概念、评测指标 2.voc/coco数据集 3.R-CNN/Fast-RCNN/Faster- RCNN模型 4. FPN检测算法 5. Cascade-RCNN检测算法 6. Libra R-CNN检测
    faster r-cnn,r-fcn,ssd,fpn,retinanet和yolov3 mobilenet
    09-01
    Faster R-CNN、R-FCN、SSD、FPN、RetinaNet和YOLOv3 MobileNet都是目标检测算法，用于在图像或视频中检测和定位物体。 Faster R-CNN是一种先进的目标检测算法。它由两个主要组件组成：区域提取网络（Region Proposal Network，RPN）和分类网络。RPN负责生成潜在的物体候选框，分类网络用于对候选框进行分类和定位。 R-FCN（Region-based Fully Convolutional Networks）通过引入ROI池化操作来消除Faster R-CNN中的全连接层，使网络可以端到端地进行训练，从而提高了计算效率和准确性。 SSD（Single Shot MultiBox Detector）是一种单阶段目标检测算法，通过在不同尺度的特征图上同时进行预测，实现了更快的检测速度。SSD通过多个不同大小和宽高比的锚框进行物体检测和分类。 FPN（Feature Pyramid Networks）是一种用于解决多尺度物体检测的算法。它通过构建金字塔式的特征图，使得网络在不同尺度的信息都能得到有效的利用，提高了检测的准确性。 RetinaNet是一种基于金字塔结构的目标检测算法。它使用了一种特殊的损失函数（Focal Loss），能够有效地解决正负样本极度不平衡的问题，同时保持了高度的检测准确性。 YOLOv3 MobileNet是YOLO（You Only Look Once）系列目标检测算法的一种轻量级版本。它通过使用MobileNet作为主干网络，实现了更小的模型体积和更快的检测速度，适用于在资源受限的设备上进行实时目标检测。 综上所述，这些目标检测算法各有特点，适用于不同的场景和应用需求。根据具体的要求和实际情况选择适合的算法可以达到更好的检测效果。

    “相关推荐”对你有帮助么？

    • 非常没帮助
    • 没帮助
    • 一般
    • 有帮助
    • 非常有帮助
    提交
    评论
    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