cnn 预测过程代码_深度学习目标检测系列：faster RCNN实现|附python源码

摘要： 本文在讲述RCNN系列算法基本原理基础上，使用keras实现faster RCNN算法，在细胞检测任务上表现优异，可动手操作一下。

目标检测一直是计算机视觉中比较热门的研究领域，有一些常用且成熟的算法得到业内公认水平，比如RCNN系列算法、SSD以及YOLO等。如果你是从事这一行业的话，你会使用哪种算法进行目标检测任务呢？在我寻求在最短的时间内构建最精确的模型时，我尝试了其中的R-CNN系列算法，如果读者们对这方面的算法还不太了解的话，建议阅读《目标检测算法图解：一文看懂RCNN系列算法》。在掌握基本原理后，下面进入实战部分。

本文将使用一个非常酷且有用的数据集来实现faster R-CNN，这些数据集具有潜在的真实应用场景。

问题陈述

数据来源于医疗相关数据集，目的是解决血细胞检测问题。任务是通过显微图像读数来检测每张图像中的所有红细胞(RBC)、白细胞(WBC)以及血小板。最终预测效果应如下所示：

选择该数据集的原因是我们血液中RBC、WBC和血小板的密度提供了大量关于免疫系统和血红蛋白的信息，这些信息可以帮助我们初步地识别一个人是否健康，如果在其血液中发现了任何差异，我们就可以迅速采取行动来进行下一步的诊断。

通过显微镜手动查看样品是一个繁琐的过程，这也是深度学习模式能够发挥重要作用的地方，一些算法可以从显微图像中分类和检测血细胞，并且达到很高的精确度。

本文采用的血细胞检测数据集可以从这里下载，本文稍微修改了一些数据：

边界框已从给定的.xml格式转换为.csv格式；

随机划分数据集，得到训练集和测试集；

这里使用流行的Keras框架构建本文模型。

系统设置

在真正进入模型构建阶段之前，需要确保系统已安装正确的库和相应的框架。运行此项目需要以下库：

pandas

matplotlib

tensorflow

keras – 2.0.3

numpy

opencv-python

sklearn

h5py

对于已经安装了Anaconda和Jupyter的电脑而言，上述这些库大多数已经安装好了。建议从此链接下载requirements.txt文件，并使用它来安装剩余的库。在终端中键入以下命令来执行此操作：

pip install -r requirement.txt

系统设置好后，下一步