【目标检测】Faster R-CNN的复现

已于 2022-10-31 07:27:37 修改
阅读量2.2k 收藏 30
点赞数 6
文章标签： linux 深度学习 pytorch
于 2021-10-30 10:05:30 首次发布
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_44747572/article/details/121006652
版权

文章目录

Faster Rcnn

  • Faster Rcnn：
    1.Conv layers
    使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。
    2.Region Proposal Networks
    RPN网络用于生成region proposals。该层通过softmax判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的proposals。
    3.Roi Pooling
    该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。
    4.Classification
    利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。
    在这里插入图片描述
    基于VGG16的网络：
    在这里插入图片描述

  • RPN： 生成anchors -> softmax分类器提取positvie anchors -> bbox reg回归positive anchors -> Proposal Layer生成proposals
    RPN结构示意图：
    网络上层： 通过softmax分类anchors获得positive和negative分类。
    网络下层： 用于计算对于anchors的bounding box regression偏移量，以获得精确的proposal。
    Proposal： 综合positive anchors和对应bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。
    在这里插入图片描述
    在这里插入图片描述

anchors：
其中每行的4个值（x1, y1, x2, y2） 表矩形左上和右下角点坐标。9个矩形共有3种形状，长宽比为大约为(H:W, 1:1, 1:2, 2:1) 三种，实际上通过anchors就引入了检测中常用到的多尺度方法。
在这里插入图片描述 在这里插入图片描述
为每个feature maps上的点提供一个anchors。
每个点上有k个anchor（默认k=9），而每个anhcor要分positive和negative，所以每个点由256d feature转化为cls=2•k scores；而每个anchor都有(x, y, w, h)对应4个偏移量，所以reg=4•k coordinates。

全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练
在这里插入图片描述

  • Bounding Box Regression：
    绿色框为飞机的Ground Truth(GT)，红色为提取的positive anchors，即便红色的框被分类器识别为飞机，但是由于红色的框定位不准，这张图相当于没有正确的检测出飞机。所以我们希望采用一种方法对红色的框进行微调，使得positive anchors和GT更加接近。
    在这里插入图片描述在这里插入图片描述
    红色的框A代表原始的positive Anchors，绿色的框G代表目标的GT，我们的目标是寻找一种关系，使得输入原始的anchor A经过映射得到一个跟真实窗口G更接近的回归窗口G’。即可以利用线性回归关系，使得A -> G’。

  • Anchor&Proposal layer： 获得精准的proposal
    执行流程:

    for each (H, W) location i
    1.在i位置生成A个anchor box
	2.把预测的包围盒变量应用于每个位置的每个锚点
	3.使用预测盒剪切图片
	4.去掉宽和长小于阈值的包围盒
	5.从高到低对所有proposal，score 序列排序
	6.选择topN， 应用非极大值抑制， 使用0.7做阈值
按照Batch返回TopN

    可理解为：

    0.输入之前RPN两条支路中所生成的
	rpn_cls_prob_reshape，
	(1 , H , W , Ax2)
	rpn_bbox_pred，
	(1 , H , W , Ax4)
	以及原始图像的信息
	[image_height, image_width, scale_ratios]
1.基于feature map 尺寸，按照指定的长宽大小组合生成所有pixel位置的 anchor（shift base_anchors）
2.对这些anchor做剪枝(clip,transfrom,filter,NMS),TopN备选
3.把剪枝后的anchor包装为proposal

  • NMS(Non-Max Suppression,非极大值抑制):

     NMS算法一般是为了去掉模型预测后的多余框，其一般设有一个nms_threshold=0.5，具体的实现思路如下：
 
 选取这类box中scores最大的那一个，记为box_best，并保留它
 计算box_best与其余的box的IOU
 如果其IOU>0.5了，那么就舍弃这个box（由于可能这两个box表示同一目标，所以保留分数高的那一个）
 从最后剩余的boxes中，再找出最大scores的那一个，如此循环往复
 
 可以理解为：
 先假设有6个输出的矩形框(即proposal_clip_box)，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率(scores)
 分别为A、B、C、D、E、F。
 (1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;

 (2)假设B、D与F的重叠度（IOU）超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

 (3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
 
 就这样一直重复，找到所有被保留下来的矩形框。

    输入：
    在这里插入图片描述
    输出：
    在这里插入图片描述

  • ROI-Pooling：
    目标检测 two stage typical architecture 通常可以分为两个阶段：
    （1）region proposal： 给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置的bounding box。（regions or ROIs）

    （2）final classification： 确定上一阶段的每个region proposal是否属于目标类别或者背景。

    ROI Pooling的目的就是使用MaxPooling针对不定尺寸的输入，产生指定尺寸的feature map。

    这个architecture存在的一些问题是：

    1，产生大量的region proposals 会导致性能问题，实时性能会大大降低
    2，在处理速度方面是suboptimal。
    3，无法做到端到端的训练

    由于这个步骤没有得到大多数神经网络库的支持，所以需要实现足够快的ROI Pooling操作，这就需要使用C来执行，在GPU条件下需要CUDA来执行

    ROI pooling具体操作如下：

    （1）根据输入image，将ROI映射到feature map对应位置；
    （2）将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）；
    （3）对每个sections进行max pooling操作；

    这样我们就可以从不同大小的方框得到固定大小的相应 的feature maps。值得一提的是，输出的feature maps的大小不取决于ROI和卷积feature maps大小。ROI pooling 最大的好处就在于极大地提高了处理速度。
    如下图所示：

    在这里插入图片描述
    以下为一个 ROI pooling 的例子
    考虑一个8×8大小的feature map，一个ROI，以及输出大小为2×2.
    （1）输入的固定大小的 feature map
    （2）region proposal 投影之后位置（左上角，右下角坐标）：（0，3），（7，0）。
    （3）将其划分为（2×2）个sections（因为输出大小为2×2）
    （4）对每个section做max pooling，可以得到：
    请添加图片描述

  • Classification：
    Classification部分利用已经获得的proposal feature maps，通过full connect层与softmax计算每个proposal具体属于那个类别（如人，车，电视等），输出cls_prob概率向量；同时再次利用bounding box regression获得每个proposal的位置偏移量bbox_pred，用于回归更加精确的目标检测框。

在这里插入图片描述
回归主要完成：
1.通过全连接和softmax对proposals进行分类，这实际上已经是识别的范畴了。
2.再次对proposals进行bounding box regression，获取更高精度的rect box。
全连接示意图：
在这里插入图片描述
公式：
在这里插入图片描述
其中W和bias B都是预先训练好的，即大小是固定的，当然输入X和输出Y也就是固定大小。所以，这也就印证了之前Roi Pooling的必要性。

Faster Rcnn代码导读： https://zhuanlan.zhihu.com/p/145842317

0. 利用Git下载Code

1. 数据准备

  • 切换路径到faster-rcnn.pytorch下，并在其目录下创建data文件夹：

     xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/$ cd faster-rcnn && mkdir data

  • 下载数据至data文件夹：
    切换路径到data下

    xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python$ cd faster-rcnn
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ cd data
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/data$

    开始下载压缩文件，执行如下命令，下载VOV2007标准数据集的相关数据。

    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

    执行下方命令解压缩数据到data/VOCdevkit

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

    cd 进入data文件夹下，创建软链接

    xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/data$ pwd
/home/xiaoxie/data/yx/python/faster-rcnn/data
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/data$ ln -s /home/xiaoxie/data/yx/python/faster-rcnn/data/VOCdevkit VOCdevkit2007

    数据集的详细解释：
    https://blog.csdn.net/qq_38273984/article/details/90749314
    https://blog.csdn.net/weixin_42782150/article/details/109820615

2. 模型加载

  • 下载预训练模型：
    首先，在/data/下创建子文件夹/data/pretrained_model；然后，下载预训练模型到/data/pretrained_model下，如VGG16，ResNet101等。

    xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/data$ sudo mkdir pretrained_model

    VGG16: Dropbox VT Server
    ResNet101: Dropbox VT Server
    注： 下载结束后，将这两个模型都放进/data/pretrained_model/文件夹中。

  • 编译：
    使用pip安装所有python依赖包，cd 进入requirements.txt文件所在的路径下：

    xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ pip install -r requirements.txt

    当使用pip下载不成功时，可以使用以下命令：

    xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

    编译CUDA依赖环境：
    这里为pytroch1.0的编译设置，编辑所需的cuda环境后，回到主目录。

    cd lib
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/lib$ sudo python setup.py build develop
# 不要使用sh make.sh

3. 模型训练

在训练之前需要根据自己的环境将trainval_net.py和test_net.py中的两个参数save_dir和load_dir进行更改。

  • VGG16在pascal_voc上训练faster R-CNN使用如下命令（具体参数根据自己的需要修改）：

     CUDA_VISIBLE_DEVICES=$GPU_ID python trainval_net.py \
                   --dataset pascal_voc --net vgg16 \
                   --bs $BATCH_SIZE --nw $WORKER_NUMBER \
                   --lr $LEARNING_RATE --lr_decay_step $DECAY_STEP \
                   --cuda

  • RES101训练命令行示例：

    CUDA_VISIBLE_DEVICES=0 python trainval_net.py --dataset pascal_voc --net res101 --bs 4 --nw 0 --lr 0.001 --lr_decay_step 5 --cuda

    或者

    CUDA_VISIBLE_DEVICES=0,1 python trainval_net.py --dataset pascal_voc --net res101 --cuda

    这里使用如下命令：

    xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/lib$ cd ..
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ 
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ CUDA_VISIBLE_DEVICES=0 python trainval_net.py --dataset pascal_voc --net res101 --bs 4 --nw 0 --lr 0.001 --lr_decay_step 5 --cuda

    参数：

      - CUDA_VISIBLE_DEVICES：指gpu的id，这得看你实验室服务器哪块gpu是闲置的。
  - dataset：指训练数据集名称，此处以pascal-voc为例。
  - net：你要使用的预训练模型，可以换为resnet101。
  - bs：指的batch size。
  - epoch：指要训练的轮数。
  - nw：指的是worker number，取决于你的Gpu能力，我用的是Titan Xp
  - 12G，所以选择4。稍微差一些的gpu可以选小一点的值。
  - lr：指学习率
  - cuda：指的是使用gpu。
  - BATCH_SIZE 和 WORKER_NUMBER 可以根据你的GPU情况来设置。
  - 训好的model会存到models文件夹底下，此处暂时使用默认的训练参数。

    出现问题： ImportError: cannot import name '_mask'
    解决问题： https://blog.csdn.net/qq_44747572/article/details/121020895
    出现问题： ImportError: cannot import name 'imread'
    解决问题： xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ pip install scipy==1.2.1 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

4. 模型测试

评估res101预训练模型在pascal_voc测试集上的表现，使用如下命令：

python test_net.py --dataset pascal_voc --net res101 \
                   --checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \
                   --cuda

设置示例：

python test_net.py --dataset pascal_voc --net res101 --checksession 1 --checkepoch 20 --checkpoint 2504 --cuda

注意，这里的三个check参数，是定义了训好的检测模型名称，我训好的名称为faster_rcnn_1_20_2504，代表了checksession = 1，checkepoch = 20， checkpoint = 2504，这样才可以读到模型“faster_rcnn_1_20_2504”。训练中，源码代码默认设置的epoch为20，所以checkepoch选择20，也就是选择最后那轮训好的模型，理论上应该是效果最好的。下图就是我20次epochs的模型。

测试时，出现 Segmentation fault (core dumped)
改用anaconda管理环境

  • 创建anaconda新环境
    https://blog.csdn.net/anpwu/article/details/110290310
    问题：CondaHTTPError: HTTP 000 CONNECTION FAILED
    解决：https://blog.csdn.net/anniaxie/article/details/107197513
    若不能解决尝试添加其他镜像源：https://blog.csdn.net/yst990102/article/details/106730382

  • 安装各种库
    requirements.txt包含项目所需要的库

    (TargetDetect) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ pip install -r requirements.txt

    编译CUDA依赖环境：
    这里为pytroch1.0的编译设置，编辑所需的cuda环境后，回到主目录。

    cd lib
xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/lib$ sudo python setup.py build develop
# 不要使用sh make.sh

    pytorch安装： https://blog.csdn.net/mao_hui_fei/article/details/112078113
    在这里插入图片描述 在这里插入图片描述
    安装指定版本的torch/torchvision （离线下载对应版本的torch/torchvision，保存到运行路径下，使用pip进行导入）
    torch/torchvision： https://download.pytorch.org/whl/torch_stable.html

    (yx_env) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ pip install torch-1.5.0+cu101-cp36-cp36m-linux_x86_64.whl
(yx_env) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ pip install torchvision-0.6.0+cu101-cp36-cp36m-linux_x86_64.whl

    在这里插入图片描述

  • 运行faster rcnn程序

    (TargetDetect) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ python test_net.py --dataset pascal_voc --net res101 --checksession 1 --checkepoch 20 --checkpoint 2504 --cuda

    问题：

    ImportError: /home/xiaoxie/data/yx/python/faster-rcnn/lib/model/_C.cpython-36m-x86_64-linux-gnu.so: undefined symbol: _ZN3c104cuda20getCurrentCUDAStreamEa

    解决：

    conda install pytorch==1.0.0 torchvision==0.2.1 cuda100 -c pytorch

    问题：

    ImportError: libtorch_cpu.so: cannot open shared object file: No such file or directory

    解决：

    (yx_env) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn$ cd lib
(yx_env) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/lib$ rm -r build
(yx_env) xiaoxie@xiaoxie-Z10PE-D8-WS:~/data/yx/python/faster-rcnn/lib$ python setup.py develop

    问题：

    TypeError: load() missing 1 required positional argument: 'Loader'

    解决：

    yaml_cfg = edict(yaml.load(f, Loader=yaml.FullLoader))

    问题：

    _pickle.UnpicklingError: A load persistent id instruction was encountered,
but no persistent_load function was specified.

    解决：
    保存模型和合并模型时pytorch版本不一致。合并模型时切换为保存模型的pytorch版本即可。
    重新训练。（这里我选择了重新训练）

5. 运行demo.py

如果你想要运行预训练模型去检测新的test图片，要先下载预训练模型或者训练你自己模型，然后把图片放到工作目录下（示例路径：~/images）的images文件夹里，再运行如下命令：

python demo.py --net vgg16 \
               --checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \
               --cuda --load_dir + 模型存放文件夹

示例：

python demo.py --net res101  --checksession 1  --checkepoch 20 --checkpoint 2504 --cuda --load_dir models

结果：
在这里插入图片描述

6. 训练自定义Images文件和对应XML文件的model

https://blog.csdn.net/weixin_42782150/article/details/109820615
（先码着，后面需要再学习）

参考：
https://zhuanlan.zhihu.com/p/31426458
https://blog.csdn.net/weixin_42782150/article/details/109820615
https://blog.csdn.net/ThunderF/article/details/100294913
https://blog.csdn.net/admintan/article/details/91366551

只搬烫手的砖
关注
  • 6
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
PyTorch faster_rcnn之一—复现代码-附件资源
03-02
PyTorch faster_rcnn之一—复现代码-附件资源
Light-Head R-CNN源代码，tensorflow版本
06-01
Light-Head R-CNN是一种深度学习的目标检测框架，它的核心思想是通过优化网络的头部设计，大幅减少计算量，从而实现高效且精确的目标检测。在TensorFlow版本的实现中，这个理念得到了充分的体现。本项目名为"light_...
可能是史上最详细-Faster RCNN Pytorch 复现全纪录
datayx的文章
02-11 4997
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx文章之前，我们先来明确检测类任务都在干些什么：需求：对图像中的特定种类目标做出分类，并求出目标在图像中所...
undefined symbol: _ZN3c104impl8GPUTrace13gpu mmcv
最新发布
Willen_的博客
06-04 329
这样的问题往往都是版本不匹配导致的pytorch的版本，mmcv的版本和cuda 的版本 （nvcc -V） 要一致。首先上pytorch官网看看。cuda和pytorch的版本：可以通过这里查找对应匹配的版本下载mmcv按照官网给的配置去设置各个版本，基本上就没问题。
Fast RCNN代码复现
m0_51619560的博客
12-25 472
项目源代码下载地址：https://www.alipan.com/s/FqYEYzqCe7k 提取码:ue87 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。项目目录如下;对Fast RCNN的论文理解见专栏的上篇内容，本文介绍Fast RCNN的代码复现。
[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现
A_John 的博客
05-08 7544
[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现 1、Fast Region-based Convolutional Network； 2、Fast R-CNN详解； 3、Fast R-CNN复现； Fast R-CNN 是一种基于区域卷积网络的快速目标检测方法 ； Fast R-CNN 比 R-CNN 快 9倍，在测试时快 213倍，在 PASCAL VOC 2012 上实现了更高的映射 ； 基于此作者提出了一种单阶段训练算法 (single-stage training)......
[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现
A_John 的博客
05-09 5327
[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现； 1、Real-Time Object Detection with RPN； 2、Faster R-CNN 详解； 3、Faster R-CNN 复现； 目前先进的目标检测网络如 SPP-Net 和 Fast R-CNN 都采用区域建议算法假设目标位置 ； 这些网络都缩短了检测网络的运行时间，但 区域建议计算 依然是目标检测任务的 瓶颈 问题 ； 基于此，提出了一个 区域建议网络RPN，实现与检测网络 共享 输入图像的 卷积特征 ；
【目标检测】Faster R-CNN 论文复现代码（含源代码）
wzk4869的博客
12-01 3813
【目标检测】Faster R-CNN 论文复现代码（含源代码）
【目标检测】Faster R-CNN论文代码复现过程解读（含源代码）
wzk4869的博客
12-01 9510
【目标检测】Faster R-CNN论文代码复现过程解读（含源代码）
Python-CFUN联合FasterRCNN与Unet网络实现高效的全心脏分割
08-10
Faster R-CNN是目标检测领域的里程碑式工作，由Ross Girshick等人提出。它通过引入Region Proposal Network (RPN) 来生成候选框，并同时进行目标分类和定位。在心脏分割任务中，Faster R-CNN可以首先识别出心脏的...
Mask R-CNN问题.zip
12-02
Mask R-CNN是一种深度学习模型，专用于实例分割任务，它在对象检测的基础上进一步区分了图像中的每个像素，为每个对象实例提供一个精确的掩模。在这个问题中，你遇到了在C++环境中使用Mask R-CNN进行推断时，得到的...
基于megengine的FasterRCNN的目标检测模型，主干网络ResNet101
10-17
Faster R-CNN（快速区域卷积神经网络）是这类任务中的一个里程碑式算法，它结合了区域提议网络（Region Proposal Network，RPN）和分类网络，极大地提高了目标检测的效率和准确性。在本项目中，我们关注的是基于...
Mask R-CNN图像分割项目源码（不包含数据集、模型参数权重）
08-16
- Mask R-CNN 是 Faster R-CNN 的扩展，它在 Faster R-CNN 的基础上增加了对每个检测框进行像素级分割的能力。 - 它采用两阶段方法：首先通过 Region Proposal Network (RPN) 提出潜在的对象区域，然后对这些区域...
Faster R-CNN论文复现
~华仔的博客
03-07 608
主要看两个博客： 博客一： 逐字理解目标检测一：https://blog.csdn.net/qq_32678471/article/details/84776144 逐字理解目标检测二：https://blog.csdn.net/qq_32678471/article/details/84792307 逐字理解目标检测三：https://blog.csdn.net/qq_32678471/...
目标检测 pytorch复现Fast_RCNN目标检测项目
guoqingru0311的博客
03-16 1448
基本流程与R-CNN流程相似，只不过为了减小计算量，加入了ROI Pooling，先利用selective search算法生成系列的候选建议框，将候选区域矿映射到图像经特征提取网路得到的特征图上，大幅度的减小计算量，同时损失函数采用了多任务损失，即交叉熵损失（用于分类）＋Smooth L1 Loss（边界框回归）
Faster RCNN--VGG16 dropbox模型
weixin_42788651的博客
03-19 210
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
目标检测 Faster RCNN全面解读复现
weixin_44302770的博客
11-20 728
在介绍RPN前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。对于单通道图像+单卷积核做卷积，第一章中的图3已经展示了；对于多通道图像+多卷积核做卷积，计算方式如下：图5 多通道卷积计算方式如图5，输入有3个通道，同时有2个卷积核。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
【KnowledgeBase】一篇较为详细的Faster RCNN代码解读
weixin_47691066的博客
12-15 2338
本文将带大家稍微详细地了解Faster RCNN的整体构造以及对应的每个块的构造细节。
Faster RCNN原理及复现代码
个人学习笔记
12-09 2978
原理 Faster RCNN主要可以分为四个内容： Conv layers。作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。 Region Proposal Networks。RPN网络用于生成区域建议框。该层通过softmax判断anchors属于前景或者背景，再利用预测框回归修正anchors获得精确的建议框。 Roi Pooling。该层
mask r cnn复现
11-03
Mask R-CNN是一种用于目标检测和实例分割的神经网络模型，它是在Faster R-CNN的基础上进行改进的。如果你想要复现Mask R-CNN，可以参考以下步骤： 1. 下载Mask R-CNN的源代码，可以从GitHub上下载matterport/Mask_RCNN仓库中的代码。 ```python # Python代码示例 git clone https://github.com/matterport/Mask_RCNN.git ``` 2. 安装必要的依赖项，包括Python 3、TensorFlow、Keras等。 ```python # Python代码示例 pip install -r requirements.txt ``` 3. 准备数据集，可以使用COCO数据集或自己的数据集。将数据集放在Mask R-CNN代码目录下的datasets文件夹中。 4. 训练模型，可以使用train_shapes.ipynb或train_balloon.ipynb等Jupyter Notebook文件进行训练。在训练之前，需要根据自己的数据集修改config.py文件中的配置。 5. 测试模型，可以使用inspect_balloon.ipynb等Jupyter Notebook文件进行测试。在测试之前，需要根据自己的数据集修改config.py文件中的配置。
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

打赏作者

只搬烫手的砖

你的鼓励将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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