深度学习目标检测项目实战(二)—基于Faster-RCNN的交通标志检测

深度学习目标检测项目实战——基于Faster-RCNN的交通标志检测

目前目标检测算法有很多，流行的就有faster-rnn和yolov，本文使用了faster-rnn框架进行训练，效果还不错，准确率，当然也可以使用更高版本的Yolov进行实战。本代码使用的是keras框架，本代码参考于github开源的faster rcnn代码

Faster-RCNN

原理有很多大佬都写得很好，例如：
Faster-RCNN原理详解—该算法是其他算法的基础

Faster RCNN系列算法原理讲解（笔记）

数据集准备

https://drive.google.com/open?id=1qyMnM452ESdi5V_FOX9D_O1Q9S760SZh
使用越南交通标志数据集，不能翻墙的同学，我已整理了百度网盘下载：
链接：https://pan.baidu.com/s/1PUx1xkQWe_IVgP-p6PBJAA?pwd=n3nl
提取码：n3nl

基础代码准备
本工程基于开源代码进行修改。

环境

tensorflow==1.15.0
keras==2.3.1

前提是电脑或者服务器有cuda10.0，才能使用gpu训练，如果没有，只能安装tensorflow 1.14版本及以下，keras 2.2.4版本及以下。本人建议使用gpu训练。其他包缺什么pip什么即可，本人python使用3.6版本。

使用步骤

1.将数据集放在工程文件夹

可以看到已经有train和val的txt文件。

2.修改参数
这里的参数根据自己具体需要去修改，主要包括：
（1）train_frcnn.py里面的：

比如train_path，选择哪个模型（fcnet或vgg），还有迭代次数这些。
（2）config.py：

可以修改anchor的尺寸，比例。

3.训练
运行

python train_frcnn.py

4.训练完的结果：

hdf5保存权重偏置参数，pickle保存模型网络参数。损失如下：

准确率如下：

5.测试
在dataset/test_img里面放置需要检测的图片，几张都行
运行

python test_frcnn.py

结果保存在results_img文件夹里面：

识别结果：

mAP的值：

这里需要注意的是，置信空间是从0.2到0.7（间隔0.05）

thresholds = np.arange(start=0.2, stop=0.7, step=0.05)

可见每个框的分数挺高的，导致Precision/Recall都是直线，如果到1.0的话后面应该会有所下降。
另外，有些标志类别的AP为0，有两种原因，一种是测试数据集不够平衡，那些AP为0的交通标志比较少，或者比较小，刚才没测出来，一种是模型对此交通标志的训练还不够好（训练数据集的问题）。最终导致mAP值0.46。

好了，今天的学习到这里，保持下一个项目的学习与研究。

需要代码的同学私信，想训练其他交通标志数据集的也可以私。