Caffe fasterrcnn各种Bug修正

Caffe各种Bug修正

如何运行

  • test
    ./tools/test_net.py --gpu 0 --def models/pascal_voc/VGG16/faster_rcnn_end2end/test.prototxt --net /home/drl/project/py-faster-rcnn/data/faster_rcnn_models/vgg16_faster_rcnn_iter_90000.caffemodel --imdb voc_2007_test --cfg experiments/cfgs/faster_rcnn_end2end.yml

  • train
    ./experiments/scripts/faster_rcnn_end2end.sh 0 VGG16 pascal_voc

  • train
    ./tools/train_net.py --gpu 0 --solver models/pascal_voc/VGG16/faster_rcnn_end2end/solver.prototxt --imdb voc_2007_trainval --iters 50 --cfg experiments/cfgs/faster_rcnn_end2end.yml

  • train
    ./experiments/scripts/faster_rcnn_end2end.sh 0 VGG16 pascal_voc

Bug汇总

  1. AttributeError: ‘module’ object has no attribute ‘text_format’

  2. bbox_targets[ind, start:end] = bbox_target_data[ind, 1:]
    TypeError: slice indices must be integers or None or have an index method

An easier solution is to add the following lines to lib/proposal_target_layer.py
After line 126,

start=int(start)
end=int(end)

After line 166,

fg_rois_per_this_image=int(fg_rois_per_this_image)

  1. BB = BB[sorted_ind, :]
    IndexError: too many indices for array

  2. 修改test.protxt和train.protxt的cls_score和bbox_pred 为_1
    修改test.py bbox_pred为bbox_pred_1

修改voc_eval.py int变成float

  1. VGG16.V2.CAFFEMODEL

  2. assert (boxes[:, 2] >= boxes[:, 0]).all()
    AssertionError

自己制作了VOC或者coco数据集格式

如果你自己制作了voc pascal或者coco数据集格式,那么你需要注意,看看是否有类似下面的报错

RuntimeWarning: invalid value encountered in log targets_dw = np.log(gt_widths / ex_widths)

这种报错说明数据集的数据有一些问题,多出现在没有控制好边界的情况,首先,打开lib/database/pascal_voc.py文件,找到208行,将208行至211行每一行后面的-1删除,如下所示:

x1 = float(bbox.find(‘xmin’).text)
y1 = float(bbox.find(‘ymin’).text)
x2 = float(bbox.find(‘xmax’).text)
y2 = float(bbox.find(‘ymax’).text)
原因是因为我们制作的xml文件中有些框的坐标是从左上角开始的,也就是(0,0)如果再减一就会出现log(-1)的情况

如果这样之后还是出现类似的报错,那么说明依然有-1或者其他负数的情况出现。解决方法是打开./lib/model/config.py文件,找到flipp选项,将其置为False
__C.TRAIN.USE_FLIPPED = False

如果这样以后还是报类似的错误,就一定检查一下自己制作数据集的过程,看看是否哪里没有考虑清

作者:ZeroZone零域
来源:CSDN
原文:https://blog.csdn.net/ksws0292756/article/details/80702704
版权声明:本文为博主原创文章,转载请附上博文链接!

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Faster RCNN 的代码实现有很多种方式,常见的实现方法有: 1. TensorFlow实现: 可以使用TensorFlow框架来实现 Faster RCNN,其中有一个开源代码库“tf-faster-rcnn”,可以作为代码实现的参考。 2. PyTorch实现: 也可以使用PyTorch框架来实现 Faster RCNN,常用的代码库有“torchvision”。 3. Caffe实现: 可以使用Caffe框架来实现 Faster RCNN,有一个开源代码库“py-faster-rcnn”,可以作为代码实现的参考。 这些代码库都提供了详细的注释,方便大家理解代码实现的过程。如果你不熟悉深度学习框架或者目标检测算法,建议先学习相关知识再尝试代码实现。 ### 回答2: Faster RCNN是一种用于目标检测的深度学习模型,它是基于深度卷积神经网络的一种改进,主要由两个网络组成:区域建议网络(Region Proposal Network,RPN)和目标分类网络。下面简要介绍一下Faster RCNN的代码实现流程。 首先,在代码中需要导入所需的库和模块,如PyTorch、torchvision等。 然后,需要定义并初始化Faster RCNN模型。可以使用预训练的ResNet、VGG等网络作为基础网络,然后通过添加额外的自定义层来实现Faster RCNN。 接下来,可以选择是否使用GPU来进行训练,如果有可用的GPU资源,则可以将数据和模型转移到GPU上,以加速训练过程。 对于数据的处理,首先需要准备训练集和测试集。训练集通常包括图像和对应的标注框(bounding box),标注框指示目标的位置。可以使用数据增强技术来扩充训练集的大小,以增加模型的泛化能力。 然后,将数据加载到模型中,并进行前向传播和反向传播的过程。在前向传播中,模型将对图像进行特征提取,并根据RPN网络生成的候选框计算损失函数。在反向传播中,使用反向传播算法和优化器来更新模型的参数,使损失函数逐渐减小。 训练过程通常需要多个epoch,每个epoch都会遍历一次训练集。在每个epoch结束后,可以在测试集上进行模型的评估和性能分析。常用的评价指标包括精确度、召回率等。 在训练过程中,可以根据需要调整超参数,如学习率、批次大小等,以提高模型的性能。 最后,在训练完成后,可以使用训练好的模型进行目标检测。将输入图像传递给模型,然后根据模型的输出结果,提取目标的位置、类别等信息。 总的来说,Faster RCNN的代码实现可以分为模型定义、数据准备、训练和目标检测等步骤。随着深度学习技术的进步,Faster RCNN已成为目标检测领域的一种重要方法,对于实现高精度的目标检测任务具有很大的帮助。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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