A Simple and Fast Implementation of Faster R-CNN翻译文档（方便看）

最新推荐文章于 2023-08-11 12:50:47 发布
最新推荐文章于 2023-08-11 12:50:47 发布
阅读量550 收藏 1
点赞数
分类专栏： 学习文档——深度学习 文章标签： 机器学习 深度学习 人工智能
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_42946328/article/details/107867674
版权

A Simple and Fast Implementation of Faster R-CNN翻译文档（方便看）

此文档是翻译代码中的A Simple and Fast Implementation of Faster R-CNN项目中的README.MD文档，主要是为了方便自己更直观了解项目。 有些地方翻译不对还请指教😁（侵删）

1. 介绍

[更新:] 我进一步将代码简化为Pythorch1.5、TorchVision0.6，并用torchvision中的一个替换定制的OpsRoipool和nms。如果您想要旧版本代码，请切换分支 v1.0

This project is a Simplified Faster R-CNN implementation based on chainercv and other projects . 这个项目是一个简化的 Faster R-CNN，基于chainercv和其他 projects 。我希望它能成为那些想知道Faster R-CNN细节的人的开始代码。 它的目的是:

  • 简化代码（简单比复杂好）
  • 使代码更直接（平面比嵌套好）
  • 与原始文件中报告的性能匹配（速度计数和地图问题）

它具有以下特点：

  • 它可以作为纯Python代码运行，不再需要构建事务。
  • 这是一个最小的实现，大约有2000行有效代码，其中包含大量注释和说明（多亏了chainercv的优秀文档）
  • 它实现了比原始实现更高的映射（0.712 VS 0.699）
  • 它的速度可与其他实现相媲美（在TITAN XP中训练和测试为6fps和14fps）
  • 它的内存效率很高（vgg16约为3GB）
    在这里插入图片描述

2. 性能

2.1 mAP

VGG16在trainval 上训练，在 test 上测试

Note:训练显示出很大的随机性，你可能需要一点运气和更多的训练时间才能到达最高地图。 但是，它应该很容易超过下限。

实施方法mAP
原论文0.699
caffe预训练模式训练0.700-0.712
torchvision预训练模式训练0.685-0.701
从chainercv 转换的模型（报告0.706）(reported 0.706)0.7053

2.2 速度

实施方法GPUInferenceTrainining
原论文K405 fpsNA
This[1]TITAN Xp14-15 fps6 fps
pytorch-faster-rcnnTITAN Xp15-17fps6fps

[1]: 确保正确安装了cupy并且GPU上只有一个程序运行。训练速度对你的gpu状态很敏感。 看 troubleshooting 获取更多信息. 而且在项目开始的时候很慢——需要时间来热身。

通过去除可视化、测井、平均损失等，可以更快地实现。

3. 安装依赖项

下面是一个使用“anaconda”从头创建环境的示例

# create conda env
conda create --name simp python=3.7
conda activate simp
# install pytorch
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch

# install other dependancy
pip install visdom scikit-image tqdm fire ipdb pprint matplotlib torchnet

# start visdom
nohup python -m visdom.server &

如果你不使用anaconda，那么：

  • 使用GPU安装Pythorch（代码仅限GPU），请参阅官方网站

  • 安装其他依赖项: pip install visdom scikit-image tqdm fire ipdb pprint matplotlib torchnet

  • 用visdom可视化

nohup python -m visdom.server &

4. Demo演示

从Google Drive 或 Baidu Netdisk( passwd: scxn)下载预训练模型

查看demo.ipynb 获取更多细节。

5. 训练

5.1 准备数据

Pascal VOC2007

  1. 下载训练集，验证集，测试集数据和VOCdevkit

    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

  2. 将所有这些tar解压到一个名为’VOCdevkit的目录中`

    tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

  3. 它应该有这样的基本结构

    $VOCdevkit/                           # development kit
$VOCdevkit/VOCcode/                   # VOC utility code
$VOCdevkit/VOC2007                    # image sets, annotations, etc.
# ... and several other directories ...

  4. 在 utils/config.py修改 voc_data_dir cfg项, 或者使用诸如“-voc data dir=/path/to/VOCdevkit/VOC2007/`”之类的参数将其传递给程序。

5.2 [可选]准备 caffe-pretrained vgg16

如果您想使用caffe pretrain模型作为初始权重，可以运行下面的步骤从caffe得到vgg16权重，这与原论文的使用相同。

python misc/convert_caffe_pretrain.py

This scripts would download pretrained model and converted it to the format compatible with torchvision. If you are in China and can not download the pretrain model, you may refer to
这个脚本将下载经过预训练的模型并将其转换为与torchvision兼容的格式。如果您在中国无法下载pretrain模型，您可以参考 这里

然后您可以通过在caffe_pretrain_path中设置参数来指定caffe预训练模型 vgg16_caffe.pth 在 utils/config.py 的存储位置。默认路径就可以。

如果要使用torchvision中的预训练模型，可以跳过这一步。
NOTE,caffe预训练模型表现出稍好的性能。

NOTE:caffe模型需要BGR 0-255中的图像，而torchvision模型需要RGB和0-1中的图像。查看data/数据集.py获取更多细节。

5.3 开始训练

python train.py train --env='fasterrcnn' --plot-every=100

您可以参考utils/config.py 获取更多的arguments。

一些关键的arguments:

  • --caffe-pretrain=False: 使用caffe或torchvision的pretrain模型（默认：torchvison）
  • --plot-every=n: 将预测、损失等每一批都可视化。
  • --env: 可视化visdom env
  • --voc_data_dir: VOC数据存储在哪里
  • --use-drop: 在RoI head中使用dropout，默认为False
  • --use-Adam: 使用Adam而不是默认的SGD。（你需要给Adam设置一个非常低的’lr’）
  • --load-path:预先训练的模型路径，默认为“None”，如果指定了它，它将被加载。

您可以打开浏览器，访问http://<ip>：8097，并看到以下培训过程的可视化：

在这里插入图片描述

Troubleshooting故障排除

  • 数据加载器:收到0项ancdata

    看 讨论, 在 train.py中已经被修复解决了. 所以我认为你不会有这个问题。

  • 支持windows

    我没有带GPU的windows机器来调试和测试它。如果有人可以提出拉取请求并进行测试，这是受欢迎的。

Acknowledgement

This work builds on many excellent works, which include:

yumin1997
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【Faster RCNN】Faster R-CNN笔记
OneCoder的博客
07-28 2067
论文理论笔记部分： rcnn是将每个proposal都放入到卷积层来进行计算，fast rcnn呢，则是将图片和proposal作为输入，并且proposal是为feature map的提取提供位置信息、为regression提供位置信息、以及在classification提供位置信息。在这里，faster rcnn的输入是一张图，提取到了共享的feature map后，将feature m...
目标检测nms python代码_PyTorch实现的faster RCNN目标检测框架
weixin_39621456的博客
12-17 350
Notice(2019.11.2)This repo was built back two years ago when there were no pytorch detection implementation that can achieve reasonable performance. At this time, there are many better repos out there...
Python-一个简单快速地FasterRCNN实现
08-11
一个简单快速地Faster R-CNN实现
simple-faster-rcnn-pytorch_simple-faster-rcnn-_rcnnpytorch代码_pyt
09-11
对深度学习目标检测经典代码faster_rcnn添加了注释，方便大家学习。
CNN implementation based on VS-code
robin1570的博客
09-09 123
@[CNN实现] 从这里网站找到一篇CNN的 https://www.cnblogs.com/further-further-further/p/10430073.html ModuleNotFoundError: No module named 'data_utils' 这里讲环境变量不对 https://www.cnblogs.com/fanqian0330/p/11095300.html from . import dealcode （如果要引入同一目录下的dealcode.py文件中的一个类He
CNN-Numpy-Implementation：手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库
02-22
CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射，但是在测量旋转度和形状之间的填充颜色差异方面存在困难。 为了训练该网络，我必须生成自己的数据集。 项目描述 AI研究人员已将Raven的渐进矩阵（RPM）视觉智商测试用作开发新策略，算法和认知代理的测试平台。 通过构建可以逐步解决更棘手问题的智能体，研究人员希望推动人工智能领域的发展。 下面显示了
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先...
Faster R-CNN backbone - ResNet101.zip
07-03
Faster R-CNN是目标检测领域的里程碑式工作，由Shaoqing Ren、Kaiming He、Ross Girshick和Jian Sun在2015年提出，旨在解决R-CNN（Region-based Convolutional Neural Networks）和Fast R-CNN的效率问题。...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object...
基于Keras实现的Faster-R-CNN安全帽检测模型源码
最新发布
03-25
项目概述：本项目是一个基于Keras框架实现的Faster R-CNN安全帽检测模型，主要用于识别图像中的安全帽穿戴情况。项目代码开源，托管于GitHub（https://github.com/DataXujing/Faster-R-CNN-Keras）。 技术细节： - ...
VSCode调试Python文件并指定虚拟环境 附调试说明
qq_42537872的博客
08-11 775
并且注意：如果使用了open3d，在显示图形的时候，就不能在继续调试了，必须把图片关掉，然后就可以继续调试）启动调试（执行顺序是：p.py->最左边那个图表->Py:p.py->输出结果(注意，输出结果，有些代码只会输出如图所是的部分，而有些也会连输出可执行文件一起输出了，如：)）（图中可以看到，[‘-a’, ‘abc/’, ‘-c’, ‘dd’] 就是刚才设置的参数，都能正常传入，并打印出来了。需要自定义指定一下用到的 python 版本，需要添加 “pythonPath” 选项。
目标识别】深度学习进行目标识别的资源列表
j_study的专栏
04-19 6930
(出处: thinkface论坛) http://www.thinkface.cn/thread-4434-1-1.html  目标识别】深度学习进行目标识别的资源列表：O网页链接 包括RNN、MultiBox、SPP-Net、DeepID-Net、Fast R-CNN、DeepBox、MR-CNN、Faster R-CNN、YOLO、DenseBox、SSD、Inside-Outside
[目标检测] Faster R-CNN 深入理解 && 改进方法汇总
Z5337209的专栏
06-03 3万+
Faster R-CNN 从2015年底至今已经有接近两年了，但依旧还是Object Detection领域的主流框架之一，虽然推出了后续 R-FCN，Mask R-CNN 等改进框架，但基本结构变化不大。同时不乏有SSD，YOLO等骨骼清奇的新作，但精度上依然以Faster R-CNN为最好。对于一般的通用检测问题（例如行人检测，车辆检测），只需要         PS: 一作任少卿大神人挺帅
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
跑simple-faster-rcnn-pytorch代码出现错误“Could not find a version that satisfies the requirement pprint”
weixin_46428351的博客
01-24 1323
使用pip安装python包出错 在跑“simple-faster-rcnn-pytorch” 的代码跑到： # install other dependancy pip install visdom scikit-image tqdm fire ipdb pprint matplotlib torchnet 会出现以下错误： ERROR: Could not find a version that satisfies the requirement pprint ERROR: No matching d
Faster R-CNN最全讲解
weixin_43702653的博客
04-09 2万+
Faster R-CNN最全讲解
PyTorch faster_rcnn之一—复现代码
红叶谷 wsp_1138886114的博客
03-08 4820
一、准备 开发运行环境 win10 | Anaconda | python=3.6 | pytorch=1.0 下载地址：https://github.com/longcw/faster_rcnn_pytorch 安装以下依赖包 conda install pip pyyaml sympy h5py cython numpy scipy conda install -c menpo opencv3...
Simple-fasterrcnn源码学习笔记（5）
weixin_39558227的博客
11-26 496
这篇是最后一篇 讲述train.py和trainer.py的一些代码细节 文章目录train.pytrainer.py不熟悉的python，pytorch，numpy操作fire 模块data_.DataLoaderself.faster_rcnn.state_dict()t.save(save_dict,save_path)self.faster_rcnn.load_state_dict(sta...
深度学习目标检测：R-CNN、Fast R-CNN、Faster R-CNN和YOLO算法解析
这些算法的发展推动了目标检测技术的进步，从最初的R-CNN的精确但慢速，到Fast R-CNN的平衡，再到Faster R-CNN的更快更准，以及YOLO的实时高效，每个阶段都带来了显著的改进。这些技术在自动驾驶、监控系统、机器人...
评论 1
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