Faster rcnn Caffe C++版 包含 训练自己的数据

大多数开源的Faster rcnn是python语言的，想要利用高性能的C++版本并不多见，该库既包括训练，训练自己的数据，也包括评估测试，是使用Caffe部署目标检测系统的最佳方案。

演示

使用时sh example/FRCNN/demo_frcnn.sh，会处理五张图片examples/FRCNN/images，并将结果放入examples/FRCNN/results。

注意：您应该将已训练的caffemodel放入models/FRCNN，例如ZF_faster_rcnn_final.caffemodelZF模型。

准备训练和评估

• 训练数据清单是examples/FRCNN/dataset/voc2007.trainval。
• 测试数据的列表是examples/FRCNN/dataset/voc2007.test。
• 为PASCAL VOC数据集创建符号链接ln -s $YOUR_VOCdevkit_Path $CAFFE_ROOT/VOCdevkit。

如VGG示例所示models/FRCNN/vgg16/train_val.proto，原始图片应显示在$CAFFE_ROOT/VOCdevkit/VOC2007/JPEGImages/。（检查FrcnnRoiData中的window_data_param）

如果您想在自己的数据集上训练 Faster R-CNN，您可以准备自定义数据集列表。格式如下

# image-id
image-name
number of boxes
label x1 y1 x2 y2 difficulty
...

• ImageNet预先训练好的模型可以在此链接中找到

训练

sh examples/FRCNN/zf/train_frcnn.sh 将使用ZF模型开始voc2007数据的训练过程。

如果您使用提供的训练脚本，请确保：

• VOCdevkit在VOCdevkit内的$ CAFFE_ROOT和VOC2007内
• 应将ZF pretrain模型放入模型/ FRCNN / as ZF.v2.caffemodel中

examples/FRCNN/convert_model.pybbox_pred由平均值和标准差值对层的参数进行变换，因为回归值在训练期间被归一化，我们应该恢复它以获得最终模型。

评估

sh examples/FRCNN/zf/test_frcnn.sh 将使用训练的ZF模型评估voc2007测试数据的性能。

• 此shell的第一步：测试所有voc-2007-测试图像并将结果输出到文本文件中。
• 此Shell的第二步：将结果与实际情况文件进行比较并计算mAP。

详情

不同模型的shells和prototxts 位于examples/FRCNN和models/FRCNN

代码中的更多细节：

• include/api/FRCNN以及src/api/FRCNN演示和测试API
• include/caffe/FRCNN并src/caffe/FRCNN包含与 Faster R-CNN相关的所有代码

https://github.com/D-X-Y/caffe-faster-rcnn/tree/dev

转载请注明：《Faster rcnn Caffe C++版 包含 训练自己的数据》