Faster R-CNN 的Caffe实现

最新推荐文章于 2023-07-01 11:17:43 发布
最新推荐文章于 2023-07-01 11:17:43 发布
阅读量2.1w 收藏 49
点赞数 9
分类专栏： 计算机视觉 Caffe 深度学习 文章标签： 算法 深度学习
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/u014380165/article/details/72704604
版权

Faster R-CNN是一种object detection算法，这里记录下Faster R-CNN的Caffe实现。
git地址：https://github.com/rbgirshick/py-faster-rcnn

这里主要讲两个方面内容，一方面是从无到有如何成功运行demo（假设你的Caffe已经可以用），另一方面是如何自己训练模型，可以用自己的数据，也可以是本文的VOC数据集。

一、运行demo
直接按照git上的readme进行安装和编译即可，由于git上的说明较为简单，所以接下来详细介绍：

1、Clone the faster r-cnn
注意参数–recursive（递归），要不caffe-fast-rcnn文件夹就是空的，看看git的目录就知道为什么了。另外假设你下载下来的文件名字叫py-faster-rcnn，接下来所有的操作都是在这个文件夹下面进行，所以请记住这个名字。

git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git

2、拷贝Makefile.config

cd $FRCN_ROOT/caffe-fast-rcnn
cp Makefile.config.example Makefile.config

这里要修改Makefile.config两处地方：

2.1、将makefile.config里面的以下两行：

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

换成这两行：其实就是加上了hdf5的路径

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial/

否则在编译caffe的时候遇到这样的错误

最低0.47元/天 解锁文章
AI之路
关注
  • 9
    点赞
  • 踩
  • 49
    收藏
    觉得还不错? 一键收藏
  • 17
    评论
专栏目录
目标检测Faster R-CNN论文详解
11-16 200
​ 最先进的目标检测网络依靠region proposal算法来假设目标的位置。SPPnet[1]和Fast R-CNN[2]等进展已经减少了这些检测网络的运行时间，暴露region proposal计算成为一个瓶颈。在这项工作中，我们引入了一个region proposal网络(RPN)，该网络与检测网络共享整个图像的卷积特征，从而使近乎零成本的region proposals成为可能。RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标分数。RPN通过端到端。
域适应目标检测：DA Faster R-CNN源码笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 334
论文《Domain Adaptive Faster R-CNN for Object Detection in the Wild》源码笔记
R-CNN、Fast R-CNN、Faster R-CNN实现
今晚打老虎
03-29 697
R-CNN： 传统的目标检测算法： 使用穷举法（不同大小比例的滑窗）进行区域选择，时间复杂度高 对提取的区域进行特征提取（HOG或者SIFT），对光照、背景等鲁棒性差 使用分类器对提取的特征进行分类（SVM或Adaboost） R-CNN的过程： 采用Selective Search生成类别独立的候选区域 使用AlexNet来提取特征，输入是227*227...
第三章:Faster R-CNN网络详解（《Faster R-CNN: 基于区域提议网络的实时目标检测》）
最新发布
ADICDFHL的博客
07-01 1355
引言 最近物体检测的进展得益于区域提议方法（例如[4]）和基于区域的卷积神经网络（R-CNN）[5]的成功。尽管最初开发的基于区域的CNN在计算上非常昂贵[5]，但通过在提议之间共享卷积计算[1]，[2]，其成本已经大大降低。最新的版本Fast R-CNN[2]使用非常深的网络[3]实现了接近实时的速度，忽略了在区域提议上花费的时间。然而，在最先进的检测系统中，提议仍然是测试时的计算瓶颈。区域提议方法通常依赖于廉价的特征和经济的推理方案。
目标检测 -- R-CNN，Fast R-CNN，Faster R-CNN
无左无右的博客
05-14 965
R-CNN，Fast R-CNN，Faster R-CNN这些是深度学习目标检测的鼻祖。看各种博客分析，东看看西看看，不系统。这里准备系统的记录一下深度学习目标检测的发展史。这里大部分摘录其他博客。参考链接见下。 R-CNN，Fast R-CNN，Faster R-CNN原理及执行与训练的实例+实现自己的目标检测 https://blog.csdn.net/m0_37407756/article...
目标检测经典论文——Faster R-CNN论文翻译（纯中文版）：Faster R-CNN：通过Region Proposal网络实现实时目标检测
bigcindy的博客
08-02 6652
目标检测经典论文翻译汇总：[翻译汇总] 翻译pdf文件下载：[下载地址] 此版为纯中文版，中英文对照版请稳步：[FastR-CNN中英文对照版] Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun 摘要 最先进的目标检测网络依靠region proposal算法来推理检测目标的位置。SPPnet[1]和Fast R-CNN[2]..
目标检测经典论文——Faster R-CNN论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Net
bigcindy的博客
07-29 4752
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract State-of-the-art object detection networks depend on r...
Faster R-CNN详解
kk123k的博客
01-20 1万+
自R-CNN以及Fast R-CNN的出现之后，Fast R-CNN仍然有许多缺点，即选择性搜索找出所有的候选框这个也非常耗时，因此性能存在瓶颈，为了解决这个问题，Faster R-CNN就出现了。 解决：加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。 做这样的任务的神经网络叫做Region Proposal Network(RPN)。 基本做法： 　　• 将RPN放...
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
qq_43593277的博客
03-14 4697
Abstract 最先进的目标检测网络依靠区域建议算法来假设目标位置。SPPnet[1]和Fast R-CNN[2]等技术进步缩短了这些检测网络的运行时间，使区域建议计算成为瓶颈。 在这项工作中，我们引入了一个区域建议网络（RPN），它与检测网络共享完整的图像卷积特征，从而实现几乎cost-free的区域建议。RPN是一个完全卷积的网络，可以同时预测对象边界和每个位置的对象性分数。RPN经过端到端的训练，生成高质量的区域建议，由Fast R-CNN用于检测。我们进一步将RPN和Fast R-CNN合并成一个
faster-cnn-caffemodel.part7.rar
11-14
这个是faster rcnn caffemodel 一共8个部分，有两个文件放在同个文件夹下解压 ，解压后有两个文件分别是VGG16_faster_rcnn_final.caffemodel和ZF_faster_rcnn_final.caffemodel
Faster R-CNN搭建教程 ubuntu16.04环境 caffe框架
03-19
在本文中，我们将深入探讨如何在Ubuntu 16.04环境下使用Caffe框架搭建Faster R-CNN。Faster R-CNN是一种流行的深度学习算法，用于目标检测，它改进了R-CNN和Fast R-CNN，提高了检测速度并保持了高精度。 首先，从...
faster-cnn-caffemodel.part2.rar
11-13
这个是faster rcnn caffemodel 一共8个部分，有两个文件放在同个文件夹下解压 ，解压后有两个文件分别是VGG16_faster_rcnn_final.caffemodel和ZF_faster_rcnn_final.caffemodel
faster-rcnn权重文件vgg16-caffe
02-28
标题"Faster R-CNN权重文件VGG16-CAFFE"揭示了我们正在讨论的是一个与计算机视觉领域深度学习模型相关的主题，特别是Faster R-CNN（快速区域卷积神经网络）模型，它使用VGG16网络架构，并且是用CAFFE框架实现的。...
ubuntu16.04+caffe环境下的Faster R-CNN预训练模型下载
03-27
基于Faster R-CNN预训练模型，faster_rcnn_models.sh。
YOLO算法的Caffe实现
热门推荐
AI之路
05-19 2万+
YOLO算法有多种实现版本，论文中的作者的实现是在darknet框架下，可以参考链接：点击打开链接，darknet上已经更新到YOLO V2版本了。 这里主要讲Caffe版本的YOLO实现，主要采用yeahkun写的：点击打开链接，基本按照这个git里面的readme进行，但是因为整个流程操作起来步骤较多，所以将自己在调试过程中遇到的小问题记录如下： 大致步骤包括：1、下载VOC数据集。2、生
OHEM算法及Caffe代码详解
AI之路
06-12 1万+
这是CVPR2016的一篇论文，用于目标检测，本篇博文先介绍这个算法，然后介绍其Caffe代码。论文：Training Region-based Object Detectors with Online Hard Example Mining 论文链接：https://arxiv.org/abs/1604.03540算法概述：OHEM（online hard example miniing）算法的
Caffe用训练好的模型测试图片
AI之路
08-23 8300
这是一个python脚本，用训练好的caffemodel来测试图片，接下来直接上代码，里面有详细解释，大部分你要修改的只是路径，另外在这个脚本的基础上你可以根据自己的需要进行改动。需要的东西：训练好的caffemodel，deploy.prototxt（可以从你的train.prototxt修改得到），可以用的caffe，待测试的图像（比如jpg）import sys caffe_root='/yo
Windows Caffe GPU安装与Py-Faster R-CNN教程
本篇文章是关于在Windows 7/10 64位系统上安装和配置Caffe深度学习框架，特别关注GPU支持，以及如何与VS2013、Anaconda2、OpenCV2和py-faster rcnn集成，以实现模型的运行和训练。以下是一些关键步骤和注意事项： 1...
评论 17
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