faster r-cnn训练、测试、检测(含批量检测图片)

最新推荐文章于 2024-06-25 10:56:25 发布
置顶 最新推荐文章于 2024-06-25 10:56:25 发布
阅读量5k 收藏 29
点赞数
分类专栏： 深度学习 目标检测 文章标签： faster r-cnn tensorflow 训练 测试
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/qq_35153620/article/details/90052525
版权
本文详细介绍了使用tensorflow实现faster r-cnn在VOC数据集上的训练、测试和检测过程，包括数据准备、模型训练、权重应用及批量检测图片的步骤。并提供了相关代码仓库链接和配置建议。
摘要由CSDN通过智能技术生成

faster r-cnn(tensorflow版本)训练VOC数据集、测试、检测指南

使用的faster r-cnn代码github地址

https://github.com/endernewton/tf-faster-rcnn

git下载：

git clone https://github.com/endernewton/tf-faster-rcnn.git

1.准备工作

首先根据自己的显卡调整默认计算能力，打开/lib/setup.py文件，第130行的'-arch=sm_52'改变成你自己显卡的计算能力值

比如本文使用的显卡是gtx1080ti，就改成'-arch=sm_61'

具体计算能力从如下地址查找

https://blog.csdn.net/huixingshao/article/details/82215703

之后进行编译，依次执行

cd tf-faster-rcnn/lib

make clean

make

cd ..

2.训练VOC数据集

将下载好的VOC数据集放在/data文件夹下面

/data/VOCdevkit2007/VOC

最低0.47元/天 解锁文章
上进的小菜鸟
关注
专栏目录
caffe环境下，画faster rcnn的训练loss曲线图
wwy
07-14 463
用faster rcnn对自己的数据集训练，得到训练模型的同时，训练日志也会自动保存在./experiments/logs文件夹下。要想知道整个训练过程中训练损失的变化，可通过画Loss曲线图观察，并以此调整学习率、迭代次数等参数。具体代码如下： #!/usr/bin/env python import os import sys import numpy as np import ...
tf-faster-rcnn图像检测
10-26
（github上找到的源码，如有侵权请联系删除，原作者Xinlei Chen (xinleic@cs.cmu.edu). ）A Tensorflow implementation of faster RCNN detection framework. This is based on the python Caffe implementation of faster RCNN available here.
Faster RCNN 训练结果图
SWEDEN_1003的博客
06-24 1752
faster rcnn图片测试
蓝羽飞鸟的博客
12-10 485
在探索faster rcnn细节之前，先看看效果 直接调用pytorch中的faster rcnn 会调用到下面的库 from PIL import Image from torchvision.transforms import transforms as T import cv2 from matplotlib import pyplot as plt from torchvision.models.detection.faster_rcnn import fasterrcnn_resnet50_fpn
用faster-rcnn训练自己的数据，并测试训练模型
寒江雪的博客
04-12 2196
写在前面 今天打算用faster-rcnn来训练自己的数据，折腾了一天，终于搞定了。在此感谢网上大神们的分享，但对于我这种菜鸟，即使有武功秘籍，也难免走火入魔。入坑一时难，一直入坑一直难，非得自己全部走一遍才能理解的更深。因此，建议刚开始入门的旁友要有耐心，不要心急，一步一步的解决，结果不会让你失望的 网上的教程很多，但有些博客的质量实在是…，好吧，我觉得有些文章对我这种菜鸟很不友好，甚至误导我的...
从头开始训练Faster R-CNN-python源码.zip
05-02
《从头开始训练Faster R-CNN：Python源码解析》 Faster R-CNN（快速区域卷积神经网络）是计算机视觉领域中用于目标检测的著名算法，由Ross Girshick、Kaiming He、Shaoqing Ren和Jian Sun在2015年提出。它在R-CNN...
【PyTorch实战演练】Faster R-CNN介绍以及通过预训练模型30行代码实现目标检测_faster rcnn预训练模型
2401_84520150的博客
04-21 837
按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文介绍Faster R-CNN的结构及原理，并基于PyTorch官方文档使用预训练好的模型进行目标检测实例。关于面试刷题也是有方法可言的，建议最好是按照专题来进行，然后由基础到高级，由浅入深来，效果会更好。Java基础部分算法与编程数据库部分流行的框架与新技术（Spring+SpringCloud+SpringCloudAlibaba）
Pytorch版Faster R-CNN训练自己数据集
Xinyu_cheng的博客
04-15 9152
引言 最近在做目标检测方面的代码复现，复现过程中也遇到了一些问题，现在把整个过程遇到的问题记录一下，过程分享一下。 一、Faster R-CNN 代码下载pytorch版源码：https://github.com/jwyang/faster-rcnn.pytorch.git 具体配置文中讲得很清楚，需要准备数据集、与训练的模型VGG-16 or ResNet 101（不是直接可以用的模型） 我的代...
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
最新发布
qq_22583741的博客
06-25 961
最先进的目标检测网络依赖于区域提议算法来假设对象的位置。像SPPnet [1] 和 Fast R-CNN [2] 这样的进步已经减少了这些检测网络的运行时间，使得区域提议计算成为瓶颈。在这项工作中，我们引入了一个区域提议网络（RPN），它与检测网络共享全图像卷积特征，从而实现了几乎无成本的区域提议。RPN是一个完全卷积的网络，它同时预测每个位置的对象边界和对象性分数。RPN被端到端地训练以生成高质量的区域提议，这些提议被Fast R-CNN用于检测。
caffe下使用faster-rcnn批量测试部分图片及结果保存
clover_my的博客
03-07 1603
faster-rcnn批量测试及结果保存（caffe） 找到修改demo.py得到的测试文件demo_mine.py。主要修改下文件的保存路径与输出格式，因为不少测试图片经plt.savefig函数保存，如果不加其他参数设置会导致图像上存在不少空白位置，plt.savefig函数的详细参数设置可以参考官方文档： im_names = os.listdir('E:\py-faster-rcnn...
Faster RCNN图解
沐雨金鳞
07-05 323
高清图：faster rcnn流程图.png
Faster R-CNN 修改demo.py为测试批量图片
xiaoqiaoliushuiCC的博客
05-18 483
修改： 1.多张图片放入/data/demo/文件夹中（无需在demo.py中列出图片的名字） 2.将识别的图片结果保存到其他文件夹中（这里是在主目录下建了testfigs文件夹） #!/usr/bin/env python # -------------------------------------------------------- # Tensorflow Faster R-CNN # Licensed under The MIT License [see LICENSE for details
py-faster-rcnn报错解决+用别人训练好的模型测试自己的图片
帅气的可乐
04-30 826
Pro1:TypeError: 'numpy.float64' object cannot be interpreted as an index 这个问题是因为我用的numpy版本太高了,　最简单的方法是直接改版本　sudo python2.7 /usr/local/bin/pip install -U numpy==1.11.0;但是我不是管理员,没有办法更改,修改如下...
Faster RCNN修改demo.py文件实现图片的批量测试与保存
菜超搬砖日记
09-20 4848
关于Faster R-CNN Tensorflow+python 3.5 在Windows10环境下配置实现，可以参看这里。运行在demo.py文件中测试数据中源码设置仅检测几张图片供参考，原始的代码段如下。 im_names = ['000456.jpg', '000457.jpg', '000542.jpg', '001150.jpg', '001763.j...
py-faster-rcnn使用笔记——训练自己的数据集、测试图像与视频、计算mAP
Gotta-C的博客
05-05 2980
rgb大神工程https://github.com/rbgirshick/py-faster-rcnn1. 修改配置Makefile.config编译py-faster-rcnn2.下载VOC2007数据集，解压到py-faster-rcnn/data文件夹下，用自己的数据集替换掉py-faster-rcnn/data/VOCdevkit2007/VOC2007/下的Annotations、Ima...
Faster RCNN 模型训练及检测
QQ843604066 的博客
08-28 1641
本文针对faster rcnn下的模型训练及检测。所用网络VGG16/faster_rcnn_alt_opt, 数据集pascal voc2007 . (友情提示：若要修改某文件里的信息，最好将原文件重命名备份，以免修改后出现问题导致无法复原。) 一 更改类别（选做） 1 打开主目录（YOURS/Downloads/py-faster-rcnn，下同)下 models/pascal_vo
faster-rcnn实现目标检测
The_heart_of_robort的博客
12-23 4390
faster-rcnn实现目标检测 写在前面 首先，我是复现的GitHub上jwyang大神的实现，看我这个帖子的时候建议同时参考其网址，网址如下：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0。 以下的实现过程本人踩了无数的坑才踩过来的，首先说明一下为什么会有坑：这个repository的原作者，无疑，是一个高手，而高...
tf-faster-rcnn训练及批量测试（适合小白）
qq_39172959的博客
08-28 745
根据https://github.com/endernewton/tf-faster-rcnn作者写的readme执行，并根据网上查找一些博客，做了整理 安装 1.下载源码： git clone https://github.com/endernewton/tf-faster-rcnn.git 2.配置环境 tensorflow、cython、pillow、opencv、easydict、mat...
tensorflow2版faster r-cnn模型实战
06-06
Faster R-CNN是一种经典的深度学习目标检测模型，由RPN（Region Proposal Network）和Fast R-CNN两部分组成。通过使用RPN网络，模型可以在目标检测前自动生产多个预选框，从而降低计算复杂度和提高模型的表现。本文主要介绍如何使用TensorFlow2构建Faster R-CNN模型，并在COCO数据集上进行训练和测试。 首先，在搭建Faster R-CNN模型前，需要安装必要的库和环境。包括TensorFlow2、NumPy、Pillow等。接着，下载COCO数据集并进行数据预处理。使用COCO API将图像数据和标注文件解析成可读取的格式，并进行数据增强，包括随机水平翻转、改变亮度和对比度等。 然后，是Faster R-CNN的网络结构。首先搭建RPN网络，通过一个基础网络（如VGG16或Resnet50）提取图像特征，将特征图传入RPN网络，生成多个预选框。接着，将预选框传入Fast R-CNN网络，通过ROI pooling将ROI区域转换为统一尺寸的特征图，最终输出目标类别和位置信息。 接下来，是模型的训练。定义损失函数，包括分类损失和回归损失，并使用优化器进行模型的迭代。同时，使用学习率调度和正则化等技术提高模型的表现，并进行批量归一化处理，加快收敛速度。 最后，进行模型的测试。使用COCO评测指标计算模型的AP值和mAP值，并对模型的结果进行可视化展示，包括预测框、真实框和标注信息等。 总体来说，使用TensorFlow2实现Faster R-CNN目标检测模型是一个复杂而有挑战性的任务，需要掌握深度学习和计算机视觉相关的知识和技术，同时还需要具备较强的编程能力和实战经验。但是，通过不断学习和实践，可以逐步提升模型的表现和应用价值。
评论 14
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