cascade r-cnn训练和测试(tensorflow框架)

最新推荐文章于 2021-05-06 16:27:08 发布
最新推荐文章于 2021-05-06 16:27:08 发布
阅读量7.1k 收藏 38
点赞数 9
分类专栏： 目标检测 python 深度学习 文章标签： cascade rcnn 目标检测 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/94718986
版权
本文介绍了如何在Tensorflow 1.3环境下使用Cascade R-CNN进行目标检测的训练和测试。详细步骤包括下载预训练模型、编译Cython、修改配置、生成数据集缓存文件、训练模型以及测试模型。提供了相关代码仓库链接和环境配置，以及针对自定义数据集的注意事项。
摘要由CSDN通过智能技术生成

基于tensorflow框架下的cascade r-cnn的训练和测试

github代码：https://github.com/DetectionTeamUCAS/Cascade-RCNN_Tensorflow

环境：

python = 2.7

tensorflow-gpu = 1.3

cuda8

gpu:1080Ti

 

1.下载预训练模型

resnet101：http://download.tensorflow.org/models/resnet_v1_101_2016_08_28.tar.gz

resnet50：http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz

mobile：https://storage.googleapis.com/mobilenet_v2/checkpoints/mobilenet_v2_1.0_224.tgz

解压tar -xzf resnet_v1_101_2016_08_28.tar.gz

下载后解

最低0.47元/天 解锁文章
上进的小菜鸟
关注
  • 9
    点赞
  • 踩
  • 38
    收藏
    觉得还不错? 一键收藏
  • 73
    评论
专栏目录
Cascade RCNN原理与代码实例讲解
AI架构设计之禅
06-19 823
Cascade R-CNN原理与代码实例讲解 1.背景介绍 在计算机视觉领域,目标检测是一项重要且具有挑战性的任务。目标检测旨在定位图像中的目标对象,并对每个对象进行分类。随着深度学习技术的快速发展,基于卷积神经网络(CNN)的目标检测算法取得了巨大的进步。 R-C
目标检测：Cascade R-CNN: High Quality Object Detection and Instance Segmentation - 2019【方法解读】
最新发布
sinat_39783664的博客
08-26 248
“目标检测Cascade R-CNN(2019)” 方法部分解读
Cascade R-CNN训练自己的数据
m_buddy的博客
03-07 7573
1. 前言 Cascade RCNN是目标检测非常不错的一种方法，没有过分强调主干网络，而是采用层叠的方式提高IOU阈值来提纯样本，对不同的主干网络都能取得2~4个点的提升。这里使用的是Cascade RCNN example下的vgg-9s-600-rpn-cascade模型，这里的9s代表的是有9个anchor，600代表短边的尺寸，这里记录在使用这个代码训练自己的数据的过程，这里需要的目标检...
cascade r-cnn-tensorflow
weixin_42728143的博客
05-27 299
1. 训练自己的数据 （1）在$ PATH_ROOT / libs / configs / cfgs.py中修改参数（例如CLASS_NUM，DATASET_NAME，VERSION等） （2）在$ PATH_ROOT / libs / label_name_dict / lable_dict.py中添加类别信息； （3）将data_name添加到$ PATH_ROOT / data / io / read_tfrecord.py的第76行。 2. 制作tfrecord数据集缓存/存储的读取路径
mmdetection之cascade_rcnn快速训练自己数据教程（亲测！）
python_pycharm的博客
10-20 8594
我们在使用mmdetection中神经网络训练自己的数据集时，工具中大部分的网络模型要求使用的数据格式要同COCO，COCO数据集的标注文件是json的格式，但是我们自己标注的annotation文件多是xml文件。接下来我将介绍如何用mmdetection训练自己标注的数据集。 一、mmdetection的安装（目前官方只支持Linux系统安装） 1，安装环境： Ubuntu16.04...
Cascade R-CNN网络学习
qinguanggai9953的博客
04-04 483
检测问题中的IoU阈值选取问题。越高越容易得到高质量的样本。但是阈值变高会引发两个问题： 过拟合； mismatch。（proposal阈值和训练器用的阈值差值） 只有proposal自身的阈值和训练器训练用的阈值接近时，detector性能表现最好。 训练样本减少，过拟合问题严重。 我们需要保证proposal的高质量又不减少训练样本。 用一个stage的输出去训练下一个stage ...
cascade-rcnn:多种流行对象检测框架的Caffe实现
05-11
级联R-CNN：致力于高质量目标检测 蔡兆伟和努诺·瓦斯科塞洛斯（Nuno Vasconcelos） 该存储库由圣地亚哥大学UC的Caihaowei编写。 介绍 该存储库在MS-COCO和PASCAL VOC数据集上实现了多种流行的对象检测算法，包括Faster R-CNN，R-FCN，FPN和我们最近提出的Cascade R-CNN。 骨干网有多种选择，包括AlexNet，VGG-Net和ResNet。 它是用C ++编写的，并由深度学习工具箱提供支持。 是流行的两阶段R-CNN对象检测框架的多阶段扩展。 目的是获得高质量的物体检测，该检测可以有效地拒绝接近的误报。 它由一系列具有不断提高的IoU阈值的端到端训练的检测器组成，从而可以对接近的假阳性序列进行更多选择。 前级检测器的输出转发到后级检测器，检测结果将逐步得到改善。 这个想法可以应用于基于两级R-CNN框架的任何检测器，包括
Cascade-RCNN_Tensorflow-master.zip
07-05
Cascade RCNN是一种先进的深度学习目标检测算法，它在传统的Faster R-CNN或Mask R-CNN基础上进行了优化，特别是在处理小目标和提高检测精度方面表现出色。该模型的核心理念是引入了多阶段的分类和回归过程，模拟了...
深度学习目标检测详细解析以及Mask R-CNN示例
吴建明wujianming_110117
03-05 2155
深度学习目标检测详细解析以及Mask R-CNN示例 本文详细介绍了R-CNN走到端到端模型的Faster R-CNN的进化流程，以及典型的示例算法Mask R-CNN模型。算法如何变得更快，更强！ 如何让检测更快？主要有两种思路： 把好的方法改进的更快！ 前面我们提到了从R-CNN到Faster R-CNN主要的技术思想就是避免特征计算浪费。所以，要把ConvNet特征计算前移，只做一次计...
Faster R-CNN目标检测技术：训练技巧大公开，优化模型提升性能
Faster R-CNN是一种两阶段目标检测算法，由Region Proposal Network (RPN)和Fast R-CNN组成。RPN负责生成候选区域，而Fast R-CNN对这些候选区域进行分类和回归，以获得最终的目标检测结果。 Faster R-CNN的优点在于...
Python-CascadeRCNN深入研究高质量物体检测
08-11
Cascade R-CNN: 深入研究高质量物体检测
rcnn网络tensorflow实现
03-17
包括crnn模型的tensorflow实现，训练以及评估、推理等过程，详见readme。
Mask R-CNN源码(TensorFlow版本)
01-30
Mask R-CNN源码，需要python3、tensorflow>=1.3 、Keras>=2.08、 h5py、 scipy、scikit-image、 cython 、numpy+mkl
resnet_v1_101_2016_08_28.tar.gz
07-25
深度学习已经训练好的最新检查点文件resnet_v1_101，国内无法下载
TensorFLow RCNN
Claroja
07-26 245
参考： 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 一文读懂Faster RCNN
cascade rcnn 训练自己的数据——（二）注意点
Snoopy_Dream
07-04 4810
写在题前：首先要看懂文件夹是什么意思，15s代表这有15个anchor（train.prototxt中最开始就是）800代表这short_size 1.在train.prototxt中还可以加一下的参数，默认只有short 和 long size，但是长短边也好，resize_ratio也好，必须是32的倍数。  把所有的81改成2（我这里是汽车检测，所以是2）  把img_width和img_h...
【mmdetection】使用cascade-rcnn、faster-rcnn训练自定义的coco数据集
热门推荐
qq_41627396的博客
05-06 1万+
开始 这篇文章主要是记录我第一次使用mmdetection工具包里面的cascade-rcnn训练自己模型的经过 训练环境 本次是使用的系统是linux的ubuntu20.04 cuda=10.2 cudnn=7.6.5 anaconda=3（用于创建虚拟环境，后续的训练、测试模型也在这个虚拟环境中） (以上软件安装可以参考其他博客) pytroch=1.5.0 torchvision=0.6.0 cudatoolkit=10.2.89 mmcv-full=1.3.1 mmdetection=v2.11
Cascade-Rcnn实践 Tensorflow版本
12-11 1248
Cascade Github: ①Caffe版:https://github.com/zhaoweicai/cascade-rcnn ②Pytorch版：https://github.com/guoruoqian/cascade-rcnn_Pytorch ③Tensorflow版：https://github.com/DetectionTeamUCAS/Cascade-RCNN_Tenso...
使用python结合卷积神经网络（CNN）和生成对抗网络（GAN）这两种算法来完成一个人像动漫化程序：结合人脸检测、头发分割、人像分割等技术，为用户量身定制千人千面的二次元动漫形象
05-28
好的，我可以给您提供一个基本的框架来完成这个任务。这个框架将使用 TensorFlow 和 Keras 来实现 CNN 和 GAN。 首先，您需要准备一个包含人脸和非人脸的训练数据集。可以使用公开的数据集，如 CelebA 或者 LFW 数据集。在这个数据集上训练一个人脸检测器，可以使用 OpenCV 或者 TensorFlow Object Detection API 来实现。 接着，您需要实现一个基于 CNN 的人像分割器。这个分割器可以使用 U-Net 或者 Mask R-CNN 来实现。这里我们以 U-Net 为例。为了训练 U-Net，您需要准备一个包含人像和非人像的训练数据集。可以使用公开数据集，如 PASCAL VOC 或者 COCO 数据集。在这个数据集上训练 U-Net，可以使用 TensorFlow 或者 Keras 框架来实现。 接下来，您需要实现一个基于 GAN 的头发分割器和图像风格转换器。这个分割器和转换器可以使用 pix2pix 或者 CycleGAN 来实现。这里我们以 pix2pix 为例。为了训练 pix2pix，您需要准备一个包含输入图像和期望输出图像的训练数据集。在这个数据集上训练 pix2pix，可以使用 TensorFlow 或者 Keras 框架来实现。 最后，您需要将人像和背景重新合并，生成具有动漫风格的二次元形象。这个步骤可以使用 OpenCV 或者 TensorFlow 来实现。 下面是一个基本的代码框架，您可以根据自己的需求进行修改和扩展。 ```python # 导入必要的库 import cv2 import numpy as np import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 定义 U-Net 模型 def unet_model(): # 定义模型结构 # ... # 编译模型 # ... return model # 定义 pix2pix 模型 def pix2pix_model(): # 定义模型结构 # ... # 编译模型 # ... return model # 加载模型 unet = unet_model() pix2pix = pix2pix_model() # 加载人脸检测器 face_detector = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') # 加载图片 img = cv2.imread('input.jpg') # 检测人脸 faces = face_detector.detectMultiScale(img) # 遍历每个人脸 for (x, y, w, h) in faces: # 裁剪人脸区域 face_img = img[y:y+h, x:x+w] # 对人脸进行人像分割 mask = unet.predict(face_img) # 对头发进行分割和风格转换 hair_img = img[y:y+h, x:x+w] hair_mask = pix2pix.predict(hair_img) # 合并人像和背景 output_img = np.zeros_like(img) output_img[y:y+h, x:x+w] = mask * face_img + (1 - mask) * hair_mask # 显示结果 cv2.imshow('output', output_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 希望这个框架对您有所帮助。请注意，这只是一个基本的框架，您需要根据自己的需求进行修改和扩展。
评论 73
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