tensorflow + faster rcnn + linux +自己的数据集

最新推荐文章于 2023-01-17 22:22:45 发布

dlut_yan

最新推荐文章于 2023-01-17 22:22:45 发布

阅读量674

点赞数

分类专栏：深度学习【代码】

原文链接：https://blog.csdn.net/qq_33193309/article/details/97132212

版权

深度学习【代码】专栏收录该内容

18 篇文章 9 订阅

订阅专栏

一、获取代码

代码

二、根据你的显卡更改下对应的计算单元。

在tf-faster-rcnn/lib/setup.py的第130行，2080ti对应的是sm_75。查看显卡计算能力

三、编译Cython

仍然在lib路径下，编译Cython模块(确保你已经安装了easydict，如果没有，conda install easydict )：缺什么库，就conda install安装什么库。

Cython项目借助于源代码编译器将Python代码转换为同等的C语言，这是在CPython（主Python运行环境主要是CPython，由C语言编写而成。）运行环境下完成的，但具有C语言的编译速度及直接调用C库的能力；同时它也保留了Python源代码的接口，这使得Cython可直接被Python代码使用。

来到lib文件夹下，打开终端：终端中输入

make clean
make
cd ..

其中：
make clean仅仅是清除之前编译的可执行文件及配置文件。清除上次的make命令所产生的object文件（后缀为“.o”的文件）及可执行文件。
make是用来编译的，它从Makefile中读取指令，然后编译。编译就是把C代码转换成CPU可执行的机器指令，每个.c文件生成一个.obj文件。
cd ..的意思是回到faster rcnn的位置。

四、安装COCO API。

项目需要访问 COCO 数据集，安装 Python COCO API。下载压缩包，解压到：2_bolt_tf-faster-rcnn-master文件夹下面。
进入到：/home/dlut/网络/2_bolt_tf-faster-rcnn-master/cocoapi-master/PythonAPI文件夹下，打开终端，输入make进行编译。

五、使用预训练模型来运行Demo并测试

下载数据

cd data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar
ln -s VOCdevkit VOCdevkit2007
cd ..

上述命令解析：来到data目录下，下载并解压数据集，然后创建了一个软连接。

软连接的理解：
根目录下/usr/local/inet-tomcat下面的temp目录每天有大量文件产生，但是根目录硬盘容量不够，于是做了一个软连接，将该目录链接到home目录下，home目录为单独挂载盘，容量较大。
命令如下：
ln -s /home/temp /usr/local/inet-tomcat
相当于在/usr/local/inet-tomcat建一个temp的快捷方式

由于自己早就已经下载过VOC数据集，不想重新下载，所以直接将数据集VOCdevkit文件夹拷贝到tf-fater-rcnn/data路径下，并重命名为VOCdevkit2007，也没有建立那个VOCdevkit的软连接。
在这里插入图片描述
2. 下载预训练模型
预训练模型
3. 创建文件，将模型放入文件中
自己创建output/res101/voc_2007_trainval+voc_2012_trainval/default将下载的模型放进去。

4. 修改一点代码
首先把 tf-faster-rcnn/lib/datasets/voc_eval.py的第121行的with open(cachefile,'w') as f改成：with open(cachefile,'wb') as f
5. 执行demo测试代码

GPU_ID=0
CUDA_VISIBLE_DEVICES=$GPU_ID ./tools/demo.py

Q1：
如果import _init_paths报错
解决办法：选中tools——右键——Mark Directoty as——sources Root

Q2：
有个奇怪的问题???demo代码中，import有红色的错误，可是运行却没有错误。

如果我把代码进行了修改，报红的前面都加一个lib.就不会报红，但是运行代码时会出错。
因为代码开始，有一句：import _init_paths这个初始化路径的代码中有一句：lib_path = osp.join(this_dir, ‘…’, ‘lib’)表示下面的import已经进入了lib文件下，所以下面的import不会有问题。

发现一张图片上只能显示一个目标，修改demo代码，使得一张图片上显示所有目标，参考博客。我修改的代码如下：命名为demo_many.py。运行的时候，直接在pycharm中左键点击运行就可以。以下的代码，命名为：demo_many.py

#!/usr/bin/env python

# --------------------------------------------------------
# Tensorflow Faster R-CNN
# Licensed under The MIT License [see LICENSE for details]
# Written by Xinlei Chen, based on code from Ross Girshick
# --------------------------------------------------------

"""
Demo script showing detections in sample images.

See README.md for installation instructions before running.
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import _init_paths
from model.config import cfg
from model.test import im_detect
from model.nms_wrapper import nms

from utils.timer import Timer
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os, cv2
import argparse

from nets.vgg16 import vgg16
from nets.resnet_v1 import resnetv1

CLASSES = ('__background__',
           'aeroplane', 'bicycle', 'bird', 'boat',
           'bottle', 'bus', 'car', 'cat', 'chair',
           'cow', 'diningtable', 'dog', 'horse',
           'motorbike', 'person', 'pottedplant',
           'sheep', 'sofa', 'train', 'tvmonitor')

NETS = {'vgg16': ('vgg16_faster_rcnn_iter_70000.ckpt',),'res101': ('res101_faster_rcnn_iter_110000.ckpt',)}
DATASETS= {'pascal_voc': ('voc_2007_trainval',),'pascal_voc_0712': ('voc_2007_trainval+voc_2012_trainval',)}

def vis_detections(im, class_name, dets, ax,thresh=0.5):
    """Draw detected bounding boxes."""
    inds = np.where(dets[:, -1] >= thresh)[0]
    if len(inds) == 0:
        return

    # im = im[:, :, (2, 1, 0)]
    # fig, ax = plt.subplots(figsize=(12, 12))
    # ax.imshow(im, aspect='equal')
    for i in inds:
        bbox = dets[i, :4]
        score = dets[i, -1]

        ax.add_patch(
            plt.Rectangle((bbox[0], bbox[1]),
                          bbox[2] - bbox[0],
                          bbox[3] - bbox[1], fill=False,
                          edgecolor='red', linewidth=3.5)
            )
        ax.text(bbox[0], bbox[1] - 2,
                '{:s} {:.3f}'.format(class_name, score),
                bbox=dict(facecolor='blue', alpha=0.5),
                fontsize=14, color='white')

    ax.set_title(('{} detections with '
                  'p({} | box) >= {:.1f}').format(class_name, class_name,
                                                  thresh),
                  fontsize=14)
    # plt.axis('off')
    # plt.tight_layout()
    # plt.draw()

def demo(sess, net, image_name):
    """Detect object classes in an image using pre-computed object proposals."""

    # Load the demo image
    im_file = os.path.join(cfg.DATA_DIR, 'demo', image_name)
    im = cv2.imread(im_file)

    # Detect all object classes and regress object bounds
    timer = Timer()
    timer.tic()
    scores, boxes = im_detect(sess, net, im)
    timer.toc()
    print('Detection took {:.3f}s for {:d} object proposals'.format(timer.total_time, boxes.shape[0]))

    # Visualize detections for each class
    CONF_THRESH = 0.8
    NMS_THRESH = 0.3
    im = im[:, :, (2, 1, 0)]
    fig, ax = plt.subplots(figsize=(12, 12))
    ax.imshow(im, aspect='equal')
    for cls_ind, cls in enumerate(CLASSES[1:]):
        cls_ind += 1 # because we skipped background
        cls_boxes = boxes[:, 4*cls_ind:4*(cls_ind + 1)]
        cls_scores = scores[:, cls_ind]
        dets = np.hstack((cls_boxes,
                          cls_scores[:, np.newaxis])).astype(np.float32)
        keep = nms(dets, NMS_THRESH)
        dets = dets[keep, :]
        vis_detections(im, cls, dets, ax,thresh=CONF_THRESH)
    plt.axis('off')
    plt.tight_layout()
    plt.draw()

def parse_args():
    """Parse input arguments."""
    parser = argparse.ArgumentParser(description='Tensorflow Faster R-CNN demo')
    parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='res101')
    parser.add_argument('--dataset', dest='dataset', help='Trained dataset [pascal_voc pascal_voc_0712]',
                        choices=DATASETS.keys(), default='pascal_voc_0712')
    args = parser.parse_args()

    return args

if __name__ == '__main__':
    cfg.TEST.HAS_RPN = True  # Use RPN for proposals
    args = parse_args()

    # model path
    demonet = args.demo_net
    dataset = args.dataset
    tfmodel = os.path.join('output', demonet, DATASETS[dataset][0], 'default',
                              NETS[demonet][0])
#由于自己对于相对路径没有弄明白，所以用了绝对路径，这个路径自己进行修改就可以，修改为自己权重的绝对路径就可以了。
    tfmodel ='/home/dlut/网络/2_bolt_tf-faster-rcnn-master/output/res101/voc_2007_trainval+voc_2012_trainval/default' \
             '/res101_faster_rcnn_iter_110000.ckpt'
    if not os.path.isfile(tfmodel + '.meta'):
        raise IOError(('{:s} not found.\nDid you download the proper networks from '
                       'our server and place them properly?').format(tfmodel + '.meta'))

    # set config
    tfconfig = tf.ConfigProto(allow_soft_placement=True)
    tfconfig.gpu_options.allow_growth=True

    # init session
    sess = tf.Session(config=tfconfig)
    # load network
    if demonet == 'vgg16':
        net = vgg16()
    elif demonet == 'res101':
        net = resnetv1(num_layers=101)
    else:
        raise NotImplementedError
    net.create_architecture("TEST", 21,
                          tag='default', anchor_scales=[8, 16, 32])
    saver = tf.train.Saver()
    saver.restore(sess, tfmodel)

    print('Loaded network {:s}'.format(tfmodel))

    im_names = ['000456.jpg', '000542.jpg', '001150.jpg',
                '001763.jpg', '004545.jpg']
    for im_name in im_names:
        print('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
        print('Demo for data/demo/{}'.format(im_name))
        demo(sess, net, im_name)

    plt.show()

还有一点对于demo.py需要修改，原先的代码只会把所有的结果弹出来显示，并不能保存到一个文件夹里。还可以对代码进行修改：
首先，把想要测试的图片放到data/demo文件夹下，然后对demo最后的代码进行如下修改，修改后的代码可以命名为demo_batch.py

im_names = os.listdir('/home/dlut/网络/2_bolt_tf-faster-rcnn-master/data/demo')#注意这些都是绝对路径，需要按照自己的需求进行修改
    for im_name in im_names:
        print('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
        print('Demo for data/demo/{}'.format(im_name))
        demo(sess, net, im_name)
        plt.savefig("/home/dlut/网络/2_bolt_tf-faster-rcnn-master/data/demotest/" + im_name)#注意这些都是绝对路径，需要按照自己的需求进行修改
    #plt.show()

博客的最后，我会附上自己修改的完整的demo_batch.py代码。

如果上面的结果可以正常显示，那么只能说明环境没有问题。接下来可以自己训练模型试一下。

六、训练模型

修改代码

为了节约训练时间，我们把训练的迭代次数改为60次。
把experiments/scripts/train_faster_rcnn.sh和experiments/scripts/test_faster_rcnn.sh中的第21行迭代次数由ITERS=70000改为ITERS=60。
注意，test和train里面的 ITERS必须保持一致。
为了节约测试时间，把data/VOCdevkit2007/VOC2007/ImageSets/Main/test.txt里面4000+行，只取前面50行

删除之前的模型

将output删除
如果data文件下生成了cache，那么删除：data/cache/voc_2007_test_gt_roidb.pkl 和
data/cache/voc_2007_trainval_gt_roidb.pkl
删除data/VOCdevkit2007/VOC2007/ImageSets/Main/test.txt_annots.pkl

训练模型
在tf-faster rcnn下执行：./experiments/scripts/train_faster_rcnn.sh 0 pascal_voc res101

发现出现错误，截图如下：

发现是因为2_bolt_tf-faster-rcnn-master/data/imagenet_weights文件夹下面缺少：res101.ckpt文件，自己进行下载，放在这个文件夹下面，请参考这篇博客。

还有错误，截图如下：

解决：在/home/dlut/网络/2_bolt_tf-faster-rcnn-master/data/VOCdevkit2007/results/VOC2007/Main文件夹下面建立文本：comp4_9816294d-8cd0af8-b66f-29f985ad1155_det_test_aeroplane.txt

然后终于出结果了：train之后会自动执行test，所以不需要再专门执行test
在这里插入图片描述
当然，最终的结果是非常非常差的，因为只迭代了60次。
到现在我们可以自己去训练模型，我们需要的是再自己的数据集上训练自己的模型。

七、在自己的数据集上训练模型

准备数据集：将VOC2007里面的数据集换成自己的数据集：Annotation；ImageSets；JPEGImages
修改代码

将lib/datasets/pascal_voc.py代码修改
将第36行self._classes 改为自己的类型，其中 __background__不需要改；

self._classes = ('__background__',  # always index 0
                     'normal_bolt', 'defect_bolt')

将tf-faster-rcnn1/tools/demo.py代码修改
（因为之后还需要用demo跑测试）
将35行的CLASSES修改成自己的类别，和pascal_voc.py一样

CLASSES = ('__background__',
           'normal_bolt', 'defect_bolt')

38行NETS里面的内容res101_faster_rcnn_iter_12000这个12000要对应你的迭代次数，假如只迭代100次，就改成res101_faster_rcnn_iter_100
（这一点我看博客都没有说，但是不修改的话，我在使用demo.py时中途会找不到文件）

NETS = {'vgg16': ('vgg16_faster_rcnn_iter_70000.ckpt',),'res101': ('res101_faster_rcnn_iter_110000.ckpt',)}

156行的第二个参数改为4，就是自己的类别数+1

    net.create_architecture("TEST", 3,
                          tag='default', anchor_scales=[8, 16, 32])

一切准备完毕，记得删除之前的模型

将output删除
如果data文件下生成了cache，那么删除：data/cache/voc_2007_test_gt_roidb.pkl 和
data/cache/voc_2007_trainval_gt_roidb.pkl
删除data/VOCdevkit2007/VOC2007/ImageSets/Main/test.txt_annots.pkl
防止tensorboar中的曲线混乱，也可以将expriments/logs中的文件删除

至于迭代次数，batch_size自己想调就调一下。batch_size，学习率等参数在2_bolt_tf-faster-rcnn-master/lib/model/config下进行修改。参数含义参考博客1和修改参数参考博客2
然后训练模型
./experiments/scripts/train_faster_rcnn.sh 0 pascal_voc res101
训练之后，结果显示也可以调用demo函数，也可以调用demo_many函数或者demo_batch函数。
附上demo_batch代码：注意将要测试的图片放在data/demo文件下。还有记得修改自己的路径。

#!/usr/bin/env python

# --------------------------------------------------------
# Tensorflow Faster R-CNN
# Licensed under The MIT License [see LICENSE for details]
# Written by Xinlei Chen, based on code from Ross Girshick
# --------------------------------------------------------

"""
Demo script showing detections in sample images.

See README.md for installation instructions before running.
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import _init_paths
from model.config import cfg
from model.test import im_detect
from model.nms_wrapper import nms

from utils.timer import Timer
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os, cv2
import argparse

from nets.vgg16 import vgg16
from nets.resnet_v1 import resnetv1

CLASSES = ('__background__',
           'aeroplane', 'bicycle', 'bird', 'boat',
           'bottle', 'bus', 'car', 'cat', 'chair',
           'cow', 'diningtable', 'dog', 'horse',
           'motorbike', 'person', 'pottedplant',
           'sheep', 'sofa', 'train', 'tvmonitor')

NETS = {'vgg16': ('vgg16_faster_rcnn_iter_70000.ckpt',),'res101': ('res101_faster_rcnn_iter_110000.ckpt',)}
DATASETS= {'pascal_voc': ('voc_2007_trainval',),'pascal_voc_0712': ('voc_2007_trainval+voc_2012_trainval',)}

def vis_detections(im, class_name, dets, ax,thresh=0.5):
    """Draw detected bounding boxes."""
    inds = np.where(dets[:, -1] >= thresh)[0]
    if len(inds) == 0:
        return

    # im = im[:, :, (2, 1, 0)]
    # fig, ax = plt.subplots(figsize=(12, 12))
    # ax.imshow(im, aspect='equal')
    for i in inds:
        bbox = dets[i, :4]
        score = dets[i, -1]

        ax.add_patch(
            plt.Rectangle((bbox[0], bbox[1]),
                          bbox[2] - bbox[0],
                          bbox[3] - bbox[1], fill=False,
                          edgecolor='red', linewidth=3.5)
            )
        ax.text(bbox[0], bbox[1] - 2,
                '{:s} {:.3f}'.format(class_name, score),
                bbox=dict(facecolor='blue', alpha=0.5),
                fontsize=14, color='white')

    ax.set_title(('{} detections with '
                  'p({} | box) >= {:.1f}').format(class_name, class_name,
                                                  thresh),
                  fontsize=14)
    # plt.axis('off')
    # plt.tight_layout()
    # plt.draw()

def demo(sess, net, image_name):
    """Detect object classes in an image using pre-computed object proposals."""

    # Load the demo image
    im_file = os.path.join(cfg.DATA_DIR, 'demo', image_name)
    im = cv2.imread(im_file)

    # Detect all object classes and regress object bounds
    timer = Timer()
    timer.tic()
    scores, boxes = im_detect(sess, net, im)
    timer.toc()
    print('Detection took {:.3f}s for {:d} object proposals'.format(timer.total_time, boxes.shape[0]))

    # Visualize detections for each class
    CONF_THRESH = 0.8
    NMS_THRESH = 0.3
    im = im[:, :, (2, 1, 0)]
    fig, ax = plt.subplots(figsize=(12, 12))
    ax.imshow(im, aspect='equal')
    for cls_ind, cls in enumerate(CLASSES[1:]):
        cls_ind += 1 # because we skipped background
        cls_boxes = boxes[:, 4*cls_ind:4*(cls_ind + 1)]
        cls_scores = scores[:, cls_ind]
        dets = np.hstack((cls_boxes,
                          cls_scores[:, np.newaxis])).astype(np.float32)
        keep = nms(dets, NMS_THRESH)
        dets = dets[keep, :]
        vis_detections(im, cls, dets, ax,thresh=CONF_THRESH)
    plt.axis('off')
    plt.tight_layout()
    plt.draw()

def parse_args():
    """Parse input arguments."""
    parser = argparse.ArgumentParser(description='Tensorflow Faster R-CNN demo')
    parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='res101')
    parser.add_argument('--dataset', dest='dataset', help='Trained dataset [pascal_voc pascal_voc_0712]',
                        choices=DATASETS.keys(), default='pascal_voc_0712')
    args = parser.parse_args()

    return args

if __name__ == '__main__':
    cfg.TEST.HAS_RPN = True  # Use RPN for proposals
    args = parse_args()

    # model path
    demonet = args.demo_net
    dataset = args.dataset
    tfmodel = os.path.join('output', demonet, DATASETS[dataset][0], 'default',
                              NETS[demonet][0])

    tfmodel ='/home/dlut/网络/2_bolt_tf-faster-rcnn-master/output/res101/voc_2007_trainval+voc_2012_trainval/default' \
             '/res101_faster_rcnn_iter_110000.ckpt'
    if not os.path.isfile(tfmodel + '.meta'):
        raise IOError(('{:s} not found.\nDid you download the proper networks from '
                       'our server and place them properly?').format(tfmodel + '.meta'))

    # set config
    tfconfig = tf.ConfigProto(allow_soft_placement=True)
    tfconfig.gpu_options.allow_growth=True

    # init session
    sess = tf.Session(config=tfconfig)
    # load network
    if demonet == 'vgg16':
        net = vgg16()
    elif demonet == 'res101':
        net = resnetv1(num_layers=101)
    else:
        raise NotImplementedError
    net.create_architecture("TEST", 21,
                          tag='default', anchor_scales=[8, 16, 32])
    saver = tf.train.Saver()
    saver.restore(sess, tfmodel)

    print('Loaded network {:s}'.format(tfmodel))

    im_names = ['000456.jpg', '000542.jpg', '001150.jpg',
                '001763.jpg', '004545.jpg']
    # for im_name in im_names:
    #     print('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
    #     print('Demo for data/demo/{}'.format(im_name))
    #     demo(sess, net, im_name)
    #
    # plt.show()

    im_names = os.listdir('/home/dlut/网络/2_bolt_tf-faster-rcnn-master/data/demo')

    for im_name in im_names:
        print('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
        print('Demo for data/demo/{}'.format(im_name))
        demo(sess, net, im_name)
        plt.savefig("/home/dlut/网络/2_bolt_tf-faster-rcnn-master/data/demotest/" + im_name)
    #plt.show()

批量测试的时候，只能将图片放在data/demo文件下进行

也可以单独评价你保存的训练的模型，终端或者pycharm输入：./experiments/scripts/test_faster_rcnn.sh 0 pascal_voc res101
比如我设置的config中__C.TRAIN.SNAPSHOT_ITERS = 5000是5000次保存一次模型，一共训练了12000次，那么我的defalut中一共有三次模型，分别是5000;10000;12000。
如果我想测试5000那次的map是多少，就需要修改/2_bolt_tf-faster-rcnn-master/experiments/scripts中的test_faster_rcnn.sh文件：

case ${DATASET} in
  pascal_voc)
    TRAIN_IMDB="voc_2007_trainval"
    TEST_IMDB="voc_2007_test"
    ITERS=5000
    ANCHORS="[8,16,32]"
    RATIOS="[0.5,1,2]"
    ;;

本来是ITERS=12000修改为了ITERS=5000

另外如果相对output文件夹进行修改名字，假设修改为了output_1，那么代码中也需要修改路径才能保证正常的测试。

set +x
if [[ ! -z  ${EXTRA_ARGS_SLUG}  ]]; then
  NET_FINAL=output_1/${NET}/${TRAIN_IMDB}/${EXTRA_ARGS_SLUG}/${NET}_faster_rcnn_iter_${ITERS}.ckpt
else
  NET_FINAL=output_1/${NET}/${TRAIN_IMDB}/default/${NET}_faster_rcnn_iter_${ITERS}.ckpt
fi
set -x

本来是output修改为了output_1
然后执行：./experiments/scripts/test_faster_rcnn.sh 0 pascal_voc res101就可以测试保存的任意一个模型的map了。

另外在源代码中评价的时候，并不显示precision和recall的曲线，如果显示曲线，参考：绘制Precision-recall曲线

八. 遇到的一些问题

loss=nan导致程序不再运行下去，报错。
借鉴了这里面的方法2
同时重新跑代码时记得删除data/cache下的文件再重新运行代码。
评价时出现问题：

补充

上面只是说了一下自己运行faster rcnn的过程，以及遇到的一些小问题，并没有考虑其他多余的内容，但是随着自己看代码，发现好多东西要思考，所以加一个补充。

由于自己跑过yolov3的代码，可以参考这篇博客.但是yolov3在eval的时候，会输出precision和recall，然而faster rcnn却没有输出recall和precision，只是输出AP的值。所以我就很想让faster rcnn也输出recall和precision。但是，失败了。后来仔细考虑背后原理，首先要知道这些值是如何计算的？可以参考：目标检测评价指标Precision Recall AP mAP.然后对比yolov3，会发现yolov3在eval的时候给了一个置信度阈值score_thresh，所以yolov3可以在eval的时候输出precision以及recall。然而faster rcnn在eval的时候，只是想计算AP的值，所以并没有给出置信度阈值，因此只能计算AP得值。
但是测试的时候，就必须给出一个置信度阈值了，demo的代码中也给出了CONF_THRESH = 0.8置信度阈值，但是对于faster rcnn就没办法测试置信度阈值是多少更为合适了，所以暂时我也不想动这个阈值。

参考：
tf-faster-rcnn在VOC数据集或者其他数据集训练
 python3+Tensorflow+Faster R-CNN训练自己的数据
 修改参数参考博客

for me: 自己电脑的环境是:py36下运行成功的.conda list中有环境:
packages in environment at /home/dlut/anaconda3/envs/py36:
Name Version Build Channel
_libgcc_mutex 0.1 main
absl-py 0.7.1 pypi_0 pypi
astor 0.8.0 pypi_0 pypi
backcall 0.1.0 pypi_0 pypi
bleach 1.5.0 pypi_0 pypi
ca-certificates 2019.10.16 0
certifi 2019.9.11 py36_0
cffi 1.12.3 pypi_0 pypi
chardet 3.0.4 pypi_0 pypi
cycler 0.10.0 pypi_0 pypi
decorator 4.4.0 pypi_0 pypi
easydict 1.9 pypi_0 pypi
gast 0.2.2 pypi_0 pypi
google-pasta 0.1.7 pypi_0 pypi
grpcio 1.22.0 pypi_0 pypi
h5py 2.9.0 pypi_0 pypi
html5lib 0.9999999 pypi_0 pypi
idna 2.8 pypi_0 pypi
imageio 2.5.0 pypi_0 pypi
imgcat 0.3.0 pypi_0 pypi
imutils 0.5.3 pypi_0 pypi
ipdb 0.12 pypi_0 pypi
ipython 7.6.1 pypi_0 pypi
ipython-genutils 0.2.0 pypi_0 pypi
jedi 0.14.1 pypi_0 pypi
joblib 0.13.2 pypi_0 pypi
keras 2.2.4 pypi_0 pypi
keras-applications 1.0.8 pypi_0 pypi
keras-preprocessing 1.1.0 pypi_0 pypi
kiwisolver 1.1.0 pypi_0 pypi
libedit 3.1 heed3624_0
libffi 3.2.1 hd88cf55_4
libgcc-ng 9.1.0 hdf63c60_0
libstdcxx-ng 9.1.0 hdf63c60_0
lime 0.1.1.36 pypi_0 pypi
markdown 3.1.1 pypi_0 pypi
matplotlib 3.0.3 pypi_0 pypi
ncurses 6.0 h9df7e31_2
netron 3.5.6 pypi_0 pypi
networkx 2.3 pypi_0 pypi
numpy 1.15.1 pypi_0 pypi
olefile 0.46 pypi_0 pypi
opencv-python 4.1.1.26 pypi_0 pypi
openssl 1.0.2t h7b6447c_1
pandas 0.25.1 pypi_0 pypi
parso 0.5.1 pypi_0 pypi
patsy 0.5.1 pypi_0 pypi
pexpect 4.7.0 pypi_0 pypi
pickleshare 0.7.5 pypi_0 pypi
pillow 5.3.0 pypi_0 pypi
pip 19.3.1 py36_0
plotly 4.1.1 pypi_0 pypi
progressbar 2.5 pypi_0 pypi
prompt-toolkit 2.0.9 pypi_0 pypi
protobuf 3.6.1 pypi_0 pypi
psutil 5.6.3 pypi_0 pypi
ptyprocess 0.6.0 pypi_0 pypi
pycparser 2.19 pypi_0 pypi
pygments 2.4.2 pypi_0 pypi
pyparsing 2.4.2 pypi_0 pypi
pyqt5 5.13.0 pypi_0 pypi
pyqt5-sip 4.19.18 pypi_0 pypi
python 3.6.2 hca45abc_19
python-dateutil 2.8.0 pypi_0 pypi
pytorch-msssim 0.1.3 pypi_0 pypi
pytz 2019.2 pypi_0 pypi
pywavelets 1.0.3 pypi_0 pypi
pyyaml 5.1.1 pypi_0 pypi
pyzmq 18.0.2 pypi_0 pypi
readline 7.0 ha6073c6_4
requests 2.22.0 pypi_0 pypi
retrying 1.3.3 pypi_0 pypi
scikit-image 0.15.0 pypi_0 pypi
scikit-learn 0.21.2 pypi_0 pypi
scipy 1.1.0 pypi_0 pypi
seaborn 0.9.0 pypi_0 pypi
setuptools 41.6.0 py36_0
six 1.12.0 pypi_0 pypi
sklearn 0.0 pypi_0 pypi
sqlite 3.23.1 he433501_0
statsmodels 0.10.1 pypi_0 pypi
tensorboard 1.12.2 pypi_0 pypi
tensorflow-estimator 2.0.1 pypi_0 pypi
tensorflow-gpu 1.12.0 pypi_0 pypi
termcolor 1.1.0 pypi_0 pypi
tk 8.6.8 hbc83047_0
torch 1.1.0 pypi_0 pypi
torchfile 0.1.0 pypi_0 pypi
torchvision 0.3.0 pypi_0 pypi
tornado 6.0.3 pypi_0 pypi
tqdm 4.32.2 pypi_0 pypi
traitlets 4.3.2 pypi_0 pypi
urllib3 1.25.3 pypi_0 pypi
visdom 0.1.8.8 pypi_0 pypi
wcwidth 0.1.7 pypi_0 pypi
websocket-client 0.56.0 pypi_0 pypi
werkzeug 0.15.5 pypi_0 pypi
wget 3.2 pypi_0 pypi
wheel 0.33.6 py36_0
wrapt 1.11.2 pypi_0 pypi
xz 5.2.4 h14c3975_4
zlib 1.2.11 h7b6447c_3

dlut_yan

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
tensorflow + faster rcnn + linux +自己的数据集

一、获取代码代码二、根据你的显卡更改下对应的计算单元。在tf-faster-rcnn/lib/setup.py的第130行，2080ti对应的是sm_75。查看显卡计算能力三、编译Cython仍然在lib路径下，编译Cython模块(确保你已经安装了easydict，如果没有，conda install easydict )：缺什么库，就conda install安装什么库。Cyth...
复制链接

扫一扫