faster-rcnn.pytorch-1.0的jwyang当前最火版本代码复现与讲解

最新推荐文章于 2024-02-21 15:38:15 发布
最新推荐文章于 2024-02-21 15:38:15 发布
阅读量4.4k 收藏 89
点赞数 13
分类专栏： Faster-Rcnn 文章标签： 深度学习 python tensorflow pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wty98wzq/article/details/112133618
版权

文章目录

一、faster-rcnn.pytorch-1.0

1、下载代码与权重文件

选择的是当前最火的框架，直接从jwyang大神的github上下载即可，注意要选择pytorch1.0版本进行下载。
数据集准备：Pascal_VOC数据集
下载训练、验证测试数据集training, validation, test data 和 VOCdevkit

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

将三个文件解压到同一个文件夹内VOCdevkit

tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

VOC数据集的文件夹tree结构：其中Annotations内放xml标注文件，JPEGImages内放图片，ImageSets/Main/内的四个txt文件分别是测试集、训练集、训练验证集、验证集。
最终在VOCdevkit目录下有VOC2007/Annotations等文件夹，数据集格式如图所示

VOCdevkit
└── VOC2007
    ├── Annotations
    ├── ImageSets
    │   └── Main
    │       ├── test.txt
    │       ├── train.txt
    │       ├── trainval.txt
    │       └── val.txt
    └── JPEGImages

特征提取训练权重准备：作者给出了两种特征提取网络的Pretrained Models，下载完成后把他们放到data/pretrained_model目录下（见作者github）

cp /data/faster-rcnn.pytorch.zip ~/
unzip faster-rcnn.pytorch.zip

将下载的压缩包拷贝到云服务器上后进行解压。

2、先安装所有环境

要进入到faster-rcnn.pytorch目录下，后执行命令

pip install -r requirements.txt

3、相关库函数版本以及安装

sudo pip uninstall torch
sudo pip install torch==1.0.0

sudo pip uninstall torchvision
sudo pip install torchvision==0.2.1

sudo pip uninstall scipy
sudo pip install scipy==1.0.0

可以跑通的版本号

cython==0.29.21
cffi==1.11.5
opencv-python==4.3.0.36
scipy==1.0.0
msgpack==1.0.0
easydict==1.9
matplotlib==3.3.0
pyyaml==5.3.1
tensorboardX==2.1

4、创建软连接

cd faster-rcnn.pytorch/data 
# 进入到我们创建的data文件夹
ln -s /home/mist/faster-rcnn.pytorch/data/VOCdevkit VOCdevkit2007
# ln -s VOCdevkit的绝对路径 VOCdevkit2007
# ln是链接（link）命令，ln -s 表示创建软连接。具体用法是：ln -s 源文件 目标文件。

5、编译CUDA依赖环境

cd lib
sudo python setup.py build develop

6、改bug

运行出现一个错误

ImportError: cannot import name '_mask'

解决——安装CoCO API

cd data
git clone https://github.com/pdollar/coco.git 
cd coco/PythonAPI
make
cd ../../..

7、训练

CUDA_VISIBLE_DEVICES=$GPU_ID python trainval_net.py \
                   --dataset pascal_voc --net vgg16 \
                   --bs $BATCH_SIZE --nw $WORKER_NUMBER \
                   --lr $LEARNING_RATE --lr_decay_step $DECAY_STEP \
                   --cuda

可用的示例

CUDA_VISIBLE_DEVICES=0 python trainval_net.py \
                   --dataset pascal_voc --net vgg16 \
                   --epochs 1 --bs 1 --nw 4 \
                   --lr  1e-3 --lr_decay_step 5 \
                   --cuda

参数选择图
在这里插入图片描述
从断点开始继续训练方法：
例如我训练好的模型名为faster_rcnn_1_9_9547.pth，它就对应了 checksession 为1 ，checkepoch为 9，checkpoint为 9547
例如我要继续训练这个模型到20次epoch，就可以写

CUDA_VISIBLE_DEVICES=0 python trainval_net.py --dataset pascal_voc --net res101 --bs 1 --nw 4  --cuda --r true --checksession 1 --checkepoch 8 --checkpoint 9547 --epochs 20

训练过程：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

8、测试

python test_net.py --dataset pascal_voc --net vgg16 \
                   --checksession $SESSION --checkepoch $EPOCH --checkpoint $CHECKPOINT \
                   --cuda

python test_net.py --dataset pascal_voc --net vgg16 \
                   --checksession 1 --checkepoch 1 --checkpoint 10021 \
                   --cuda

测试过程：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

9、demo

  • 在跑demo文件过程中，也需要把类别修改成适应你的新数据集的形式。
//个例实验
python demo.py --net vgg16  --checksession 1  --checkepoch 10 --checkpoint 359 --cuda --load_dir models

二、生成数据集

1、修改xml文件参数

import os
import os.path
import xml.dom.minidom


# path="../xml/"
path_xml = '/home/Annotations/'
path_img='/home/JPEGImage/'
files = os.listdir(path_xml)  # 得到文件夹下所有文件名称
modify_folder = "Annotations"
modify_database = "labproject"

for xmlFile in files:  # 遍历文件夹
    if not os.path.isdir(xmlFile):  # 判断是否是文件夹，不是文件夹才打开
        print(xmlFile)
        xmlFile

    filepath = os.path.join(path_xml, xmlFile)
    # 最核心的部分,路径拼接,输入的是具体路径
    dom = xml.dom.minidom.parse(os.path.join(path_xml, xmlFile))
    root = dom.documentElement

    # 修改path
    oldpath = root.getElementsByTagName('path_xm')
    # print(oldpath[0].firstChild.data)

    newpath = path_img + xmlFile[0:6] + ".jpg"
    oldpath[0].firstChild.data = newpath

    # 修改folder
    oldfolder = root.getElementsByTagName('folder')
    oldfolder[0].firstChild.
最低0.47元/天 解锁文章
Pytorch版Faster R-CNN训练自己数据集
Xinyu_cheng的博客
04-15 9472
引言 最近在做目标检测方面的代码复现，复现过程中也遇到了一些问题，现在把整个过程遇到的问题记录一下，过程分享一下。 一、Faster R-CNN 代码下载pytorch版源码：https://github.com/jwyang/faster-rcnn.pytorch.git 具体配置文中讲得很清楚，需要准备数据集、与训练的模型VGG-16 or ResNet 101（不是直接可以用的模型） 我的代...
Faster Rcnn算法复现
azxucmkvfo的博客
10-31 2200
Faster Rcnn算法复现Faster Rnn 实现流程代码TODO 复现算法Faster Rcnn Faster Rcnn算法原文链接：https://arxiv.org/abs/1506.01497 Faster Rnn 实现流程 Faster Rcnn是双阶段目标检测家族中的一员，由Rcnn -> Spp-net -> Fast Rcnn 再到Faster Rcnn，Fast...
【目标检测】Faster R-CNN论文代码复现过程解读（含源代码）
wzk4869的博客
12-01 1万+
【目标检测】Faster R-CNN论文代码复现过程解读（含源代码）
复现faster-rcnn（jwyang的pytorch版本）
m0_54088522的博客
01-07 1605
复现的是github上比较火的wyang版本，本地环境Ubuntu20.04+python3.6+pytorch1.5.1+cuda10.1autodl上的环境是Ubuntu20.04+python3.6+pytorch1.10.0+cuda11.3，两者都成功。
文章标题 faster rcnn-pytorch版训练自己的数据
JJprincess的博客
11-30 1万+
pytorch框架比起tenserflow和caffe等框架相对简单很多，代码短小精悍，这里记录一下用pytorch版的faster rcnn训练自己的数据并测试的过程，以及途中遇到的一些问题。 一、github上下载faster rcnn pytorch的代码链接：https://github.com/longcw/faster_rcnn_pytorch 按照此工程下面的read
【目标检测】Faster R-CNN的复现
qq_44747572的博客
10-30 2944
文章目录0. 利用Git下载Code1. 数据准备2. 模型加载3. 模型训练4. 模型测试 0. 利用Git下载Code Git的安装及使用： https://blog.csdn.net/qq_44747572/article/details/121006841 克隆Code： pytorch1.0.0版源码： https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0 下载zip，在指定文件夹内进行解压： 1. 数据准备 切换路
Faster RCNN pytorch 复现
嘿芝麻的树洞
09-19 6331
本文参考的复现代码为Faster RCNN with PyTorch。 1.Install the requirements pip install pyyaml sympy h5py cython numpy scipy menpo ·install opencv3 1.1 Update packages sudo apt-get update sudo apt-get upgrad...
Fast RCNN代码复现
m0_51619560的博客
12-25 1044
项目源代码下载地址：https://www.alipan.com/s/FqYEYzqCe7k 提取码:ue87 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。项目目录如下;对Fast RCNN的论文理解见专栏的上篇内容，本文介绍Fast RCNN的代码复现。
目标检测 Faster RCNN全面解读复现
专注于人工智能学习，总结
11-20 1798
在介绍RPN前，还要多解释几句基础知识，已经懂的看官老爷跳过就好。对于单通道图像+单卷积核做卷积，第一章中的图3已经展示了；对于多通道图像+多卷积核做卷积，计算方式如下：图5 多通道卷积计算方式如图5，输入有3个通道，同时有2个卷积核。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
复现目标检测Faster R-CNN代码（Pytorch1.0版本）
奥古斯都
01-19 3335
最近开始做目标检测的这个模型了，里面有用到Faster R-CNN的部分，就是关于RPN网络。捣鼓了三天了，看了无数的博客，GitHub终于跑通了代码。故作以记录。 一、代码下载地址 https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0 二、代码框架 我是通过迅雷在GitHub上下载，然后解压之后在复制到服务器。与...
Python-一个简单快速地FasterRCNN实现
08-11
一个简单快速地Faster R-CNN实现
faster-rcnn实现目标检测
The_heart_of_robort的博客
12-23 4456
faster-rcnn实现目标检测 写在前面 首先，我是复现的GitHub上jwyang大神的实现，看我这个帖子的时候建议同时参考其网址，网址如下：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0。 以下的实现过程本人踩了无数的坑才踩过来的，首先说明一下为什么会有坑：这个repository的原作者，无疑，是一个高手，而高...
使用Faster RCNN训练自己的数据集
热门推荐
SpadgerZ的博客
05-12 1万+
使用Faster RCNN训练自己的数据集，过程不太顺利，踩坑数次，所以把流程记录一下。 所使用的代码版本：faster-rcnn.pytorch 1.源码及环境配置 原Github版本使用的Pytorch==0.4.0，但是看了网上的博客记录这个版本有较多错误无法解决，建议使用Pytorch==1.0.0及以上版本； 源码 Pytorch0.4.0版源码：https://github.com/jwyang/faster-rcnn.pytorch.git Pytorch1.0.0版源码：https
[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现
A_John 的博客
05-09 7180
[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现； 1、Real-Time Object Detection with RPN； 2、Faster R-CNN 详解； 3、Faster R-CNN 复现； 目前先进的目标检测网络如 SPP-Net 和 Fast R-CNN 都采用区域建议算法假设目标位置 ； 这些网络都缩短了检测网络的运行时间，但 区域建议计算 依然是目标检测任务的 瓶颈 问题 ； 基于此，提出了一个 区域建议网络RPN，实现与检测网络 共享 输入图像的 卷积特征 ；
【避坑指南】Linux下faster-RCNN代码复现
weixin_43998552的博客
02-21 1102
不要盲目的用作者的环境，还是得根据自己的显卡驱动版本来安装。我以为高版本能兼容低版本的，但是实测会有非常多的问题。作者有好几个版本的代码，我复现的是pytorch1.0的版本，我的配置如下，给大家提供参考。解决：cuda版本不行，到这里除了换cuda版本已经想不出其他办法了，遂换成cuda11.3和对应的cudnn及pytorch版本，解决。解决：python3.6和pytorch1.0版本不兼容，换成python3.6.2解决（此时还在cuda9的环境下配置）安装faster-RCNN代码需要的环境。
实验大总结——Faster RCNN复现总结
April_Liu的blog
01-02 2150
0 写在前面 将近日复现的Faster RCNN完整总结如下，区别与YOLOv5相互补充 1 代码下载+环境配置 1.1 代码下载 在github上查找高star，擅长的框架（faster rcnn最早开源框架是matlab）开始复现 pytorch0.4.0版源码：https://github.com/jwyang/faster-rcnn.pytorch pytorch1.0.0版源码：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1
faster rcnn(pytorch)代码复现记录
卷积神经网路学习之路
10-16 1748
通过查找资料得知，imresize已经被最新版本的SciPy库所弃用，而自己报错的Python环境的SciPy库版本为1.3.0，这也正是出现上述问题的原因。 https://blog.csdn.net/discoverer100/article/details/95534621 解决方法：pip install lib ...
[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现
A_John 的博客
05-08 1万+
[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现 1、Fast Region-based Convolutional Network； 2、Fast R-CNN详解； 3、Fast R-CNN复现； Fast R-CNN 是一种基于区域卷积网络的快速目标检测方法 ； Fast R-CNN 比 R-CNN 快 9倍，在测试时快 213倍，在 PASCAL VOC 2012 上实现了更高的映射 ； 基于此作者提出了一种单阶段训练算法 (single-stage training)......
Faster-RCNN简易复现
ZouCharming的专栏
07-20 2205
Faster-RCNN复现 数据准备 主要目标是利用pytorch框架简易复现Faster-RCNN，我选了一个比较简单的数据集VOC2012，这个数据集标注用的xml格式。 数据读取如下： def loadXml(path): ''' 读取原始的XMLlabel文件 :return: ''' dom = xml.dom.minidom.parse(path) ​ root = dom.documentElement #获取...
fasterrcnn代码复现
最新发布
02-08
### Fast R-CNN 代码实现教程 #### 实现框架概述 Fast R-CNN 是一种用于对象检测的方法，它通过引入多任务损失函数来提高速度和准确性[^2]。该算法允许端到端的训练，并能有效地处理不同尺度的目标。 #### 安装依赖库 为了运行 Fast R-CNN 的 Python 版本，通常需要安装一些必要的软件包： ```bash pip install numpy opencv-python matplotlib cython scipy ``` 对于更复杂的模型架构，则可能还需要 PyTorch 或 TensorFlow 这样的深度学习框架支持。 #### 数据集准备 大多数开源项目会提供预处理过的数据集链接，比如 Pascal VOC 或 COCO 等标准测试集合。如果要使用自己的图片文件夹作为输入源的话，应该按照特定格式整理好图像路径以及对应的标注信息。 #### 训练过程概览 在开始之前先加载配置参数并初始化网络结构。接着定义损失函数与优化器，在每次迭代过程中计算预测框位置偏差及类别概率分布之间的差异值，最后反向传播调整权重直至收敛为止。 #### 示例代码片段 下面给出一段简单的伪代码表示如何构建一个基本版的 Fast R-CNN 模型: ```python import torch.nn as nn from torchvision import models class FastRCNN(nn.Module): def __init__(self, num_classes=20): super().__init__() self.backbone = models.vgg16(pretrained=True).features # ROI Pooling Layer... def forward(self,x,bboxes): features=self.backbone(x) rois_output=[] for bbox in bboxes: roi_feature=roi_pool(features,[bbox]) rois_output.append(roi_feature.view(-1)) return torch.stack(rois_output), ... ``` 这段代码展示了怎样利用 VGG16 提取特征图谱，并针对每一个候选区域执行感兴趣区域池化操作 (ROI Pooling)，从而获得固定大小的特征向量供后续分类回归任务所用。 #### 可参考的具体GitHub仓库 - [pytorch-faster-rcnn](https://github.com/jwyang/faster-rcnn.pytorch)：此仓库提供了完整的 Faster R-CNN 和 Fast R-CNN 的实现方式。 - [fasterrcnn-pytorch-tutorial](https://github.com/sgrvinod/a-PyTorch-Tutorial-to-Object-Detection)：这是一个详细的PyTorch版本的对象检测教程，涵盖了从基础概念到实际应用的内容。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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