matlab addparamvalue,[置頂] Faster-RCNN+ZF用自己的數據集訓練模型(Matlab版本)

最新推荐文章于 2022-11-26 19:03:32 发布

第牛惹急了

最新推荐文章于 2022-11-26 19:03:32 发布

阅读量186

点赞数

文章标签： matlab addparamvalue

說明：本博文假設你已經做好了自己的數據集，該數據集格式和VOC2007相同。下面是訓練前的一些修改。

Faster-RCNN源碼下載地址：

本文用到的是Matlab版本，在Windows下運行。

准備工作：

(1)

安裝vs2013；

安裝Matlab；

安裝CUDA；

上面的安裝順序最好不要亂，否則可能出現Matlab找不到vs的情況，在Matlab命令行窗口輸入：mbuild -setup，如果出現：

說明Matlab可以找到vs2013。CUDA應在安裝vs2013后再安裝。

(2)

如果你的cuda是6.5，那么，運行一下：

fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m

(運行代碼下載失敗的話，用百度雲下載：https://pan.baidu.com/s/1i3m0i0H ，解壓到faster_rcnn-master下)

得到mex文件。如果不是cuda6.5(如我的是cuda7.5)，則需要自己編譯mex文件，編譯過程參考這里：按步驟做就行了。

也可以下載我編譯得到的文件(注意cuda版本)。

建議還是自己編譯，因為版本問題可能會出錯。在訓練前，可以先下載作者訓練好的模型，測試一下，如果可以的話，就不用自己編譯了。

測試過程：

(1)運行faster_rcnn-master\faster_rcnn_build.m

(2)運行faster_rcnn-master\startup.m

(3)運行faster_rcnn-master\fetch_data\fetch_faster_rcnn_final_model.m 下載訓練好的模型

(下載失敗的話，可以用百度雲下載：https://pan.baidu.com/s/1hsFKmeK ，解壓到faster_rcnn-master下)

(4)修改faster_rcnn-master\experiments\script_faster_rcnn_demo.m的model_dir為你下載的模型，然后運行。

最終得到：

在訓練前請確保你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下文件：

(我的opencv版本是2.4.9，cuda版本是7.5，因版本不同上述文件和你的編譯結果可能會有差異。+caffe文件夾是從caffe-master或caffe-faster-R-CNN里拷貝過來的。)

如果你沒有按上面說的測試過，請先運行：

(1)faster_rcnn-master\faster_rcnn_build.m

(2)faster_rcnn-master\startup.m然后再進行下面的修改。

1 、VOCdevkit2007\VOCcode\VOCinit.m的修改

(1)路徑的修改

VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml'];

VOCopts.imgpath=[VOCopts.datadir VOCopts.dataset '/JPEGImages/%s.jpg'];

VOCopts.imgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s.txt'];

VOCopts.clsimgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s_%s.txt'];

VOCopts.clsrespath=[VOCopts.resdir 'Main/%s_cls_' VOCopts.testset '_%s.txt'];

VOCopts.detrespath=[VOCopts.resdir 'Main/%s_det_' VOCopts.testset '_%s.txt'];

上面這些路徑要正確，第一個是xml標簽路徑；第二個是圖片的路徑；第三個是放train.txt、val.txt、test.txt和trainval.txt的路徑；第四、五、六個不需要；一般來說這些路徑不用修改，你做的數據集格式和VOC2007相同就行。(圖片格式默認是jpg，如果是png，修改上面第二行的代碼即可。)

(2)訓練集文件夾修改

VOCopts.dataset = '你的文件夾名';

然后將VOC2007路徑注釋掉，上面“你的文件夾名”是你放Annotations、ImageSets、JPEGImages文件夾的文件夾名。

(3)標簽的修改

VOCopts.classes={...

'你的標簽1'

'你的標簽2'

'你的標簽3'

'你的標簽4'};

將其改為你的標簽。

2 、VOCdevkit2007\results

results下需要新建一個文件夾，名字是1. (2)中“你的文件夾名”。“你的文件夾名”下新建一個Main文件夾。(因為可能會出現找不到文件夾的錯誤)

3 、VOCdevkit2007\local

local下需要新建一個文件夾，名字是1. (2)中“你的文件夾名”。(同上)

4 、function\fast_rcnn\fast_rcnn_train.m

ip.addParamValue('val_iters', 500, @isscalar);

ip.addParamValue('val_interval', 2000, @isscalar);

可能在randperm(N,k)出現錯誤，根據數據集修改。(VOC2007中val有2510張圖像，train有2501張，作者將val_iters設為500，val_interval設為2000，可以參考作者的設置修改，建議和作者一樣val_iters約為val的1/5，val_interval不用修改)

5、function\rpn\proposal_train.m

這里的問題和fast_rcnn_train.m一樣。

6.imdb\imdb_eval_voc.m

%do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');

do_eval = 1;

注釋掉

do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');

並令其為1，否則測試會出現精度全為0的情況

7. imdb\roidb_from_voc.m

ip.addParamValue('exclude_difficult_samples', true, @islogical);不包括難識別的樣本，所以設置為true。(如果有就設置為false)

8.網絡模型的修改

(1) models\ fast_rcnn_prototxts\ZF\ train_val.prototxtinput: "bbox_targets"

input_dim: 1 # to be changed on-the-fly to match num ROIs

input_dim: 84 # 根據類別數改，該值為(類別數+1)*4 #################

input_dim: 1

input: "bbox_loss_weights"

input_dim: 1 # to be changed on-the-fly to match num ROIs

input_dim: 84 # 根據類別數改，該值為(類別數+1)*4 ############

input_dim: 1

layer {

bottom: "fc7"

top: "cls_score"

param {

lr_mult: 1.0

}

param {

lr_mult: 2.0

}

type: "InnerProduct"

inner_product_param {

num_output: 21 #根據類別數改該值為類別數+1 #########

layer {

bottom: "fc7"

top: "bbox_pred"

type: "InnerProduct"

param {

lr_mult: 1.0

}

param {

lr_mult: 2.0

}

inner_product_param {

num_output: 84 #根據類別數改，該值為(類別數+1)*4 ##########

(2) models\ fast_rcnn_prototxts\ZF\ test.prototxtlayer {

bottom: "fc7"

top: "cls_score"

param {

lr_mult: 1.0

}

param {

lr_mult: 2.0

}

type: "InnerProduct"

inner_product_param {

num_output: 21 #類別數+1 ##########layer {bottom: "fc7"top: "bbox_pred"name: "bbox_pred"type: "InnerProduct"param {lr_mult: 1.0}param {lr_mult: 2.0}inner_product_param {num_output: 84 #4*(類別數+1) ##########

(3) models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxtinput: "bbox_targets"

input_dim: 1 # to be changed on-the-fly to match num ROIs

input_dim: 84 # 4*(類別數+1) ###########

input_dim: 1

input: "bbox_loss_weights"

input_dim: 1 # to be changed on-the-fly to match num ROIs

input_dim: 84 # 4*(類別數+1) ###########

input_dim: 1

layer {

bottom: "fc7"

top: "cls_score"

param {

lr_mult: 1.0

}

param {

lr_mult: 2.0

}

type: "InnerProduct"

inner_product_param {

num_output: 21 #類別數+1 ############

layer {

bottom: "fc7"

top:"bbox_pred"

name:"bbox_pred"

type:"InnerProduct"

param {

lr_mult:1.0

}

param {

lr_mult:2.0

}

inner_product_param{

num_output: 84 #4*(類別數+1) ###########

(4) models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxtlayer {

bottom: "fc7"

top: "cls_score"

param {

lr_mult: 1.0

}

param {

lr_mult: 2.0

}

type: "InnerProduct"

inner_product_param {

num_output: 21 類別數+1 #######

layer {

bottom: "fc7"

top: "bbox_pred"

type: "InnerProduct"

param {

lr_mult: 1.0

}

param {

lr_mult: 2.0

}

inner_product_param {

num_output: 84 #4*(類別數+1) ##########

9.solver的修改

solver文件有3個，默認使用的solver是solver_30k40k.prototxt，如下stage 1 rpn，可以在faster_rcnn-master\experiments\+Model\ZF_for_Faster_RCNN_VOC2007.m中更換。

model.stage1_rpn.solver_def_file = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'solver_30k40k.prototxt');%solver_60k80k.prototxt

model.stage1_rpn.test_net_def_file = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'test.prototxt');

model.stage1_rpn.init_net_file = model.pre_trained_net_file;

！！！為防止與之前的模型搞混,訓練前把output文件夾刪除(或改個其他名)，還要把imdb\cache中的文件刪除(如果有的話)

更為簡便的方法是直接用你的數據集的Annotations、ImageSets、JPEGImages文件夾替換VOC2007對應文件夾，那么上面只需進行1.(3)、4、5、7、8的修改。

10.開始訓練

(1).下載預訓練的ZF模型：fetch_data/fetch_model_ZF.m

(下載失敗的話用百度雲下載：https://pan.baidu.com/s/1o6zipPS ，解壓到faster_rcnn-master下，預訓練模型參數用於初始化)

(2).運行：

experiments/script_faster_rcnn_VOC2007_ZF.m

經過一會的准備工作，就進入迭代了：

11.訓練完后訓練完后，不要急着馬上測試，先打開output/faster_rcnn_final/faster_rcnn_VOC2007_ZF文件夾，打開detection_test.prototxt，作如下修改：將relu5(包括relu5)前的層刪除，並將roi_pool5的bottom改為data和rois。並且前面input: "data"下的input_dim:分別改為1,256,50,50(如果是VGG就是1,512,50,50,其他修改基本一樣)，具體如下input: "data"

input_dim: 1

input_dim: 256

input_dim: 50

input_dim: 50# ------------------------ layer 1 -----------------------------

layer {

bottom: "data"

bottom: "rois"

top: "pool5"

type: "ROIPooling"

roi_pooling_param {

pooled_w: 6

pooled_h: 6

spatial_scale: 0.0625 # (1/16)

}

12.測試訓練完成后，打開\experiments\script_faster_rcnn_demo.m，將模型路徑改成訓練得到的模型路徑：model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC2007_ZF')將測試圖片改成你的圖片：im_names = {'001.jpg', '002.jpg', '003.jpg'};注意：如果你的數據集類別比voc2007數據集多，把script_faster_rcnn_demo.m中的showboxes(im, boxes_cell, classes, 'voc')作如下修改：改為：showboxes(im, boxes_cell, classes);或者：showboxes(im, boxes_cell, classes, 'default');即去掉‘voc’或將其改為‘default’。

如果測試發現出現的框很多，且這些框沒有目標，可以將閾值設高一些(默認是0.6)：thres = 0.9;

結果如下：

第牛惹急了

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
matlab addparamvalue,[置頂] Faster-RCNN+ZF用自己的數據集訓練模型(Matlab版本)

說明：本博文假設你已經做好了自己的數據集，該數據集格式和VOC2007相同。下面是訓練前的一些修改。Faster-RCNN源碼下載地址：本文用到的是Matlab版本，在Windows下運行。准備工作：(1)安裝vs2013；安裝Matlab；安裝CUDA；上面的安裝順序最好不要亂，否則可能出現Matlab找不到vs的情況，在Matlab命令行窗口輸入：mbuild -setup，如果出現：說明M...
复制链接

扫一扫