Faster R-CNN
环境配置:
Python3.6或者3.7
Pytorch1.6(注意:必须是1.6.0或以上,因为使用官方提供的混合精度训练1.6.0后才支持)
pycocotools(Linux: pip install pycocotools;
Windows:pip install pycocotools-windows(不需要额外安装vs))
Ubuntu或Centos(不建议Windows)
最好使用GPU训练
文件结构:
-
├──
backbone: 特征提取网络,可以根据自己的要求选择 -
├──
network_files: Faster R-CNN网络(包括Fast R-CNN以及RPN等模块) -
├──
train_utils: 训练验证相关模块(包括cocotools) -
├──
my_dataset.py: 自定义dataset用于读取VOC数据集 -
├──
train_mobilenet.py: 以MobileNetV2做为backbone进行训练 -
├──
train_resnet50_fpn.py: 以resnet50+FPN做为backbone进行训练 -
├──
train_multi_GPU.py: 针对使用多GPU的用户使用 -
├──
predict.py: 简易的预测脚本,使用训练好的权重进行预测测试 -
├──
pascal_voc_classes.json: pascal_voc标签文件
预训练权重下载地址(下载后放入backbone文件夹中):
MobileNetV2 backbone: https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
ResNet50+FPN backbone: https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
数据集,本例程使用的是PASCAL VOC2012数据集(下载后放入项目当前文件夹中)
Pascal VOC2012 train/val数据集下载地址:http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
如果需要使用Pascal VOC2012 test数据集请参考:https://pjreddie.com/projects/pascal-voc-dataset-mirror/
如果不了解数据集或者想使用自己的数据集进行训练,请参考我的bilibili:https://b23.tv/F1kSCK
训练方法
确保提前准备好数据集
确保提前下载好对应预训练模型权重
若要训练mobilenetv2+fasterrcnn,直接使用train_mobilenet.py训练脚本
若要训练resnet50+fpn+fasterrcnn,直接使用train_resnet50_fpn.py训练脚本
若要使用多GPU训练,使用 “python -m torch.distributed.launch --nproc_per_node=8
–use_env train_multi_GPU.py” 指令,nproc_per_node参数为使用GPU数量
如果对Faster RCNN原理不是很理解可参考bilibili
https://b23.tv/sXcBSP
进一步了解该项目,以及对Faster RCNN代码的分析可参考bilibili
https://b23.tv/HvMiDy