毕业设计——运行基于pytorch的faster rcnn

最新推荐文章于 2024-06-29 19:43:39 发布
最新推荐文章于 2024-06-29 19:43:39 发布
阅读量4k 收藏 32
点赞数 4
分类专栏： 毕业设计
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/petSym/article/details/89195599
版权

2019.4.10

参考
https://github.com/jwyang/faster-rcnn.pytorch

一、下载代码

  • 从github下载代码到我的hdd，
git clone https://github.com/jwyang/faster-rcnn.pytorch.git

用上面的命令很慢，三次都报错

fatal: early EOF
fatal: index-pack failed

放弃之，使用浏览器下载，然后本地解压改名字为faster-rcnn.pytorch

  • 在faster-rcnn.pytorch下，新建存放数据的文件夹data
 cd faster-rcnn.pytorch && mkdir data

二、下载数据

  • PASCAL_VOC 07+12
    参考https://github.com/rbgirshick/py-faster-rcnn#beyond-the-demo-installation-for-training-and-testing-models
    在data文件夹下，
# 下载
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
# 解压
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar
# Create symlinks for the PASCAL VOC dataset
ln -s $VOCdevkit VOCdevkit2007 #这个有问题，后面删掉了重新建立了
  • COCO暂时不用
  • Visual Genome暂时不用

三、下载预训练模型
新建data/pretrained_model/
VGG16：https://www.dropbox.com/s/s3brpk0bdq60nyb/vgg16_caffe.pth?dl=0
ResNet101：https://www.dropbox.com/s/iev3tkbz5wyyuz9/resnet101_caffe.pth?dl=0
下载两个放进pretrained_model文件夹。

2019.4.11

四、编译

  • 进入faster-rcnn.pytorch文件夹目录，用pip安装所有需要的依赖：
pip install -r requirements.txt
  • 编译：
cd lib
sh make.sh

报错：

ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead.

经过如下更改：

  • 重新下载pytorch=1.0的代码（暂时没用，用的还是master的pytorch0.4.0版本）

  • 上述过程中我发现不对，是因为我今天重建虚拟环境pytorch之后装pytorch的时候，没有指定pytorch为0.4.0版本！所以默认装的是1.0.1了。。。
    在这里插入图片描述

  • 重建新环境py27torch040

  • 在pytorch官网找旧版本对应命令：

conda install pytorch=0.4.0 cuda80 -c pytorch

【 5.11注释】
这里要同时装torchvision，不然等下就要单独装，即：

conda install pytorch=0.4.0 torchvision cuda80 -c pytorch

在这里插入图片描述

重新在pytorch0.4.0的新虚拟环境下：

pip install -r requirements.txt
cd lib
sh make.sh

最后一步sh make.sh过程中报错：make.sh:nvcc not found，结尾报错cffi.VerificationError: LinkError: command 'gcc' failed with exit status 1

参考https://github.com/jwyang/faster-rcnn.pytorch/issues/112中的做法：
先export PATH=$PATH:/usr/local/cuda/bin
再sh make.sh
无报错。

五、编译完成，测试demo

python demo.py
  • 报错没有torchvision相关模块，安装torchvision（这是由于安装pytorch官网旧版pytorch安装的命令，没有安装torchvision，而新版命令如：conda install pytorch torchvision cudatoolkit=8.0 -c pytorch，会一并安装pytorch和torchvision）
conda install torchvision -c pytorch

2019.4.12

  • 昨天把下载的预训练模型faster_rcnn_1_6_10021.pth放在错的位置，然后折腾demo.py的里面的相对路径，以及怎样跑demo.py的问题。
  • 今天在作者GitHub里面的一个提问https://github.com/jwyang/faster-rcnn.pytorch/issues/248 中找到了答案。
  • 将下载的与训练模型.pth文件放在H:\hdd2T\faster-rcnn.pytorch\data\pretrained_model\vgg16\pascal_voc目录下，因为没有进行训练，所以后面两个文件夹是自己手动新建的。
  • 然后在终端运行下面的代码（作者GitHub上的斜杠是换行的意思，实际不需要，就空格然后连续输入就可以了。然后$后面的地方用实际的值代替，就会替换掉demo.py文件中parser里面各个默认值。
python demo.py --net vgg 16 --checksession 1 --checkepoch 6 --checkpoint 10021 --cuda --load_dir ./data/pretrained_model/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 向images文件夹中添加自己想测试的一张图片

  • 重新运行上述相同命令
    在这里插入图片描述

  • 好像漏检了一个车，效果还不错。

下午可以开始看怎样修改我要训练的数据集了

  • 先看看作者的模型直接在我要用的多尺度数据集上表现如何。
  • 再考虑用我自己的目标多尺度训练集在作者的网络上重新训练。

六、Test

  • 首先测试了作者的基于vgg16的网络模型在pascal_voc上的测试表现。
  • 之前建立的软连接似乎有问题。在data目录下重新建立：
ln -s ./VOCdevkit ./VOCdevkit2007

在这里插入图片描述

  • 然后运行test_net.py
 python test_net.py --dataset pascal_voc --net vgg16 --checksession 1 --checkepoch 6 --checkpoint 10021 --cuda --load_dir ./data/pretrained_model/

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

七、train

  • 如果是想按照作者先训练再test，再demo看结果，参考文章https://blog.csdn.net/weixin_43380510/article/details/83004127
    中的步骤。可能我思路比较清奇，开始感觉训练要好久不想训练，就直接拿了训练好的模型来跑demo和test了。而其实按照作者的步骤的话，其实在test和demo运行的时候的路径的填充更简单。python test_net.py不需要--load_dir ./data/pretrained_model/；python demo.py也只需要和trainval_net.py中默认的save_dir即是/models同步就可以，即--load_dir models
  • 然后又回来跑训练：
CUDA_VISIBLE_DEVICES=1 python trainval_net.py --dataset pascal_voc --net vgg16 --bs 1 --nw 1  --cuda

彼时年少不懂事，epoch和iter都设置太大，没有时间等下去了：
在这里插入图片描述

19.4.12晚

明天需要根据KITTI数据集建立VOC2007格式的数据集，然后放进这个faster-rcnn.pytorch里面进行训测。

petSym
关注
  • 4
    点赞
  • 踩
  • 32
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
Python-用PyTorch实现FasterRCNN
08-09
用PyTorch实现Faster RCNN
图像去雾毕业论文准备13-深度学习框架（pytorch）——超级详细（线性回归案例讲解）
weixin_42989738的博客
01-05 613
图像去雾毕业论文准备13-深度学习框架（pytorch）——超级详细（线性回归案例讲解） 基于上节的介绍，相信你对pytorch有了简单的了解，我是跟着视频，加上个人理解进行本节的讲解，一方面对课程学习进行加深，一方面对可以方便以后查阅复习，同时还可以给有需要的朋友进行参考，实现资源共享！ 参照上之前tensorflow的学习，下面开始讲解！ 1 首先导入相关的库文件 # 导入库 import torch import numpy as np import matplotlib.pyplot as plt
pytorch目标检测：Faster R-CNN（理论）
最新发布
weixin_62472350的博客
06-29 1421
学习资料来自b站，视频链接为：FasterRCNN_哔哩哔哩_bilibili Faster R-CNN算法流程可分为3个步骤： - 将图像输入网络得到相应的特征图（feature maps）； - 使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵（feature vector）； - 将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果 ；
Faster-RCNN（四）Pytorch版FasterRCNN
xue_csdn的博客
08-14 1071
具体安装及训练、测试步骤： https://github.com/xinyu-ch/faster-rcnn.pytorch 参考了博客https://blog.csdn.net/Xinyu_cheng/article/details/89683832
图像去雾毕业论文准备14-深度学习框架（pytorch）——超级详细（基础知识）
weixin_42989738的博客
01-06 703
图像去雾毕业论文准备14-深度学习框架（pytorch）——超级详细（基础知识） torch常见的数据类型 #!/usr/bin/python3.6 # -*- coding: utf-8 -*- # @Time : 2021/1/5 21:41 # @Author : ptg # @Email : zhxwhchina@163.com # @File : pytorch基础知识.py # @Software: PyCharm import torch # 0-1之间的均匀分布 x
图像去雾毕业论文准备17-深度学习框架（pytorch）——超级详细（3个小时看完一本书（关键部分））
weixin_42989738的博客
01-08 1129
图像去雾毕业论文准备17-深度学习框架（pytorch）——超级详细（3个小时看完一本书（关键部分）） 书籍《深度学习框架PyTorch入门与实践》陈云·著 书籍有配套的代码，大家可以在github下载，进行演练操作，今天下午（2021年1月8日）用3个小时快速过一遍（自己论文需要的），晚上开始系统学习卷积神经网络，后面开始搜代码进行论文复现。 好啦，配置环境的事情前面都已经交代过，就不在罗列了，根据自己电脑的情况，下载安装必要的库！ Tensor Tensor是PyTorch中重要的数据结构，可认为是一个
FasterRCNN-pytorch:FasterRCNN在VGG，ResNet和FPN基础中实现
05-13
FasterRCNN在VGG，ResNet和FPN基础中实现。 参考： rbg的FasterRCNN代码： : 模型表现 在VOC2017上进行培训在VOC2017上进行测试 骨干 地图 VGG16 0.7061 ResNet101 0.754 训练模型 1.运行前，您需要： 光盘....
pytorch-faster-rcnn:基于pytorch的实现更快的rcnn
04-12
pytorch-faster-rcnn1.简介基于Pytorch的快速rcnn框架的实现。有关更快的R-CNN的详细信息，请参阅论文《 ，作者邵少青，何开明，Ross Girshick，孙健此检测框架具有以下功能： 它可以作为纯python代码运行，也可以...
缺陷检测-基于Pytorch+FasterRCNN实现的PCB元器件缺陷检测算法-支持训练自定义数据集-附完整详细流程教程
02-21
缺陷检测_基于Pytorch+FasterRCNN实现的PCB元器件缺陷检测算法_支持训练自定义数据集_附完整详细流程教程_优质项目实战+优秀毕业设计
PyTorch-Faster-RCNN:基于pytorch的faster rcnn实现
03-09
**PyTorch-Faster-RCNN** 是一个用于对象检测的深度学习框架，它基于流行的深度学习库 **PyTorch** 实现了 **Faster R-CNN** 算法。Faster R-CNN（快速区域卷积网络）是目标检测领域的一个里程碑式的工作，由Ross ...
毕设日志——Faster RCNN
petSym的博客
03-31 498
https://blog.csdn.net/shenxiaolu1984/article/details/51152614 从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。 faster RCNN可以简单地看做“区域生成网...
运行fasterrcnn.pytorch1.0记录
RuanChengfeng的博客
09-03 518
faster_rcnn.pytoch1.0项目的地址：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0 运行该项目的训练程序主要环节是：编译faster_rcnn中的模块和编译pythoncocoapi。 (1)编译faster_rcnn的时候pytorch必须是1.0版本的，否则即使编译成功了，在运行阶段也会报cannot import _C的错误。还有python=3.6，cuda为10.0. 看lib文件夹下面有没有bu
深度学习论文:Dynamic ReLU及其PyTorch实现
mingo_敏
09-11 1606
Dynamic ReLU PDF: https://arxiv.org/pdf/2003.10027.pdf PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks 1 DY-ReLU 提出的动态ReLU，能够根据输入动态地调整对应的分段激活函数，与ReLU及其变种对比，仅需额外的少量计算即可带来大幅的性能提升，能无缝嵌入到当前的主流模型中。 2 DY-ReLU变种 提供了三种形态的DY-ReLU，在空间位置和维度上有不同的共享机制。
caffemodel转化为pytorch模型
yuanqia4079的博客
12-07 7673
这个问题苦恼了很久，就是很多大佬的论文提供的都是caffe的模型，想把他们模型训练好的参数或者是他们提供的预训练参数转化为pytorch弄到自己的网络中。 网上有很多奇奇怪怪的caffe转pytorch的方法，但是都很麻烦，终于弄懂了一个很简单的办法。 https://download.csdn.net/download/yuanqia4079/10835874 首先下载这个链接里面的caf...
2022毕设笔记：基于FasterRCNN的垃圾分类系统（一）从零开始准备
weixin_43826149的博客
12-10 747
理论准备 原理 飞桨-深度学习 技术实现 使用ImageNet在faster rcnn上训练自己的分类网络 Faster R-CNN Tensorflow+python 3.5 在Windows10环境下配置实现 笔记： 我的电脑配置是win10+python3.8（anaconda3） 从飞桨找到了一些有趣的东西，或许可以用百度的PaddleDetection实现 数据集也可以从飞桨的网站下载 ...
循环注意力卷积神经网络——RA-CNN（论文笔记）
qq_43673118的博客
11-20 3151
目录前言本文拟解决的问题解决问题的方法 前言 本文是对论文**《Look Closer to See Better：Recurrent Attention Convolutional Neural Network for Fine-Grained Image Recognition》**的学习梳理总结，主要参考文献为论文原文——《Spatial Transformer Networks》以及一篇博...
Faster RCNN pytorch 复现
嘿芝麻的树洞
09-19 6018
本文参考的复现代码为Faster RCNN with PyTorch。 1.Install the requirements pip install pyyaml sympy h5py cython numpy scipy menpo ·install opencv3 1.1 Update packages sudo apt-get update sudo apt-get upgrad...
在KITTI数据集中使用YOLO和Faster R-CNN进行目标检测
源代码杀手的博客
06-23 3013
在检测 KITTI数据集 采用三种 重新培训 对象探测器： YOLOv2 , YOLOv3 , 快R-CNN 和比较他们的表现进行评估通过上传的结果KITTI评估服务器。 注意，有一个以前的员额有关的详细信息YOLOv2 ( click here ). YOLOv3执行情况几乎相同的与YOLOv3，所以，我会跳过一些步骤。 请参考前一章中看到更多细节。 准备KITTI数据集 我们用 KITTI目2D 培训YOLO和使用 KITTI原始数据 用于测试。 一些测试结果记录的演示视频上面。 下载
PyTorch：Faster-RCNN
己亥谷雨
02-26 276
记录一下一个简单的调用Faster-RCNN模型测试的代码 coco_names.py names = {'0': 'background', '1': 'person', '2': 'bicycle', '3': 'car', '4': 'motorcycle', '5': 'airplane', '6': 'bus', '7': 'train', '8': 'truck', '9': 'boat', '10': 'traffic light', '11': 'fire hydrant', '13'
pytorch fasterrcnn with fpn
12-28
PyTorch Faster R-CNN with FPN在训练和推理阶段都能够高效地运行，并且具有很强的可扩展性，适合处理各种不同类型的目标检测任务。通过使用PyTorch框架，它能够很好地与其他深度学习模型进行集成，方便用户进行模型...
评论 6
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