用自己的數(shù)據(jù)集在R-FCN框架下進行檢測

這個教程默認代碼捻撑、預訓練模型、測試部分的代碼已經(jīng)下載好倍权,環(huán)境也已經(jīng)編譯好

【訓練】

  • models
    models文件夾下存放的是對應的預訓練的模型在訓練時的網(wǎng)絡參數(shù)悯仙。
    以ResNet-101為例:
    注意:下面的cls_num指的是數(shù)據(jù)集的類別數(shù)+1(背景)。比如我想檢測魚這一個類別想诅,cls_num=2.
    (1)修改其中的solver_ohem.protoxt
train_net: "models/fish4knowledge/ResNet-101/rfcn_end2end/train_agnostic_ohem.prototxt"
base_lr: 0.001    #初始學習率
lr_policy: "step"    #學習率更新的方式
gamma: 0.1           #學習率衰減的倍率
stepsize: 10000      #迭代一萬次召庞,學習率衰減為原來的0.1倍
display: 20    #每迭代20次在終端打印一次輸出

momentum: 0.9     #動量
weight_decay: 0.0005      #權重衰減率
# We disable standard caffe solver snapshotting and implement our own snapshot
# function
snapshot: 0  #選擇迭代多少次保存一次中間模型
# We still use the snapshot prefix, though
snapshot_prefix: "resnet101_rfcn_ohem"
iter_size: 2   #由于是做檢測任務,batch_size值較小
#debug_info: true

根據(jù)以上代碼的第一行我們知道接下來要修改train_agnostic_ohem.prototxt 這里著重講一下侧蘸,訓練可以選擇兩種方式裁眯,一種帶ohem,一種不帶ohem讳癌;我在訓練時用的是前者穿稳,所以修改的都是文件名里有ohem的

(2)修改train_agnostic_ohem.prototxt
** 兩處數(shù)據(jù)層、兩處卷積層晌坤、 對應的兩處cls和bbox參數(shù)層(大家會發(fā)現(xiàn)每個prototxt修改的內容大致相同)
以后需要調整anchor大小來做不同的實驗時逢艘,也是在這個文件里改,詳情見下篇博客骤菠。

layer {
  name: 'input-data'
  type: 'Python'
  top: 'data'
  top: 'im_info'
  top: 'gt_boxes'
  python_param {
    module: 'roi_data_layer.layer'
    layer: 'RoIDataLayer'
    param_str: "'num_classes': 2" #cls_num
  }
}
layer {
  name: 'roi-data'
  type: 'Python'
  bottom: 'rpn_rois'
  bottom: 'gt_boxes'
  top: 'rois'
  top: 'labels'
  top: 'bbox_targets'
  top: 'bbox_inside_weights'
  top: 'bbox_outside_weights'
  python_param {
    module: 'rpn.proposal_target_layer'
    layer: 'ProposalTargetLayer'
    param_str: "'num_classes': 2" #cls_num
  }
}
layer {
    bottom: "conv_new_1"
    top: "rfcn_cls"
    name: "rfcn_cls"
    type: "Convolution"
    convolution_param {
        num_output: 98 # 2*(7^2) cls_num*(score_maps_size^2)
        kernel_size: 1
        pad: 0
        weight_filler {
            type: "gaussian"
            std: 0.01
        }
        bias_filler {
            type: "constant"
            value: 0
        }
    }
    param {
        lr_mult: 1.0
    }
    param {
        lr_mult: 2.0
    }
}

layer {
    bottom: "conv_new_1"
    top: "rfcn_bbox"
    name: "rfcn_bbox"
    type: "Convolution"
    convolution_param {
        num_output: 392 # 4*2*(7^2)=4*cls_num*(score_maps_size^2)
        kernel_size: 1
        pad: 0
        weight_filler {
            type: "gaussian"
            std: 0.01
        }
        bias_filler {
            type: "constant"
            value: 0
        }
    }
    param {
        lr_mult: 1.0
    }
    param {
        lr_mult: 2.0
    }
}
layer {
    bottom: "rfcn_cls"
    bottom: "rois"
    top: "psroipooled_cls_rois"
    name: "psroipooled_cls_rois"
    type: "PSROIPooling"
    psroi_pooling_param {
        spatial_scale: 0.0625
        output_dim: 2  #cls_num
        group_size: 7
    }
}
layer {
    bottom: "rfcn_bbox"
    bottom: "rois"
    top: "psroipooled_loc_rois"
    name: "psroipooled_loc_rois"
    type: "PSROIPooling"
    psroi_pooling_param {
        spatial_scale: 0.0625
        output_dim: 8 #4*cls_num
        group_size: 7
    }
}

(3)修改test_agnostic.prototxt

layer {
    bottom: "conv_new_1"
    top: "rfcn_cls"
    name: "rfcn_cls"
    type: "Convolution"
    convolution_param {
        num_output: 98 #cls_num*(score_maps_size^2)
        kernel_size: 1
        pad: 0
        weight_filler {
            type: "gaussian"
            std: 0.01
        }
        bias_filler {
            type: "constant"
            value: 0
        }
    }
    param {
        lr_mult: 1.0
    }
    param {
        lr_mult: 2.0
    }
}
layer {
    bottom: "conv_new_1"
    top: "rfcn_bbox"
    name: "rfcn_bbox"
    type: "Convolution"
    convolution_param {
        num_output: 392 #4*cls_num*(score_maps_size^2)
        kernel_size: 1
        pad: 0
        weight_filler {
            type: "gaussian"
            std: 0.01
        }
        bias_filler {
            type: "constant"
            value: 0
        }
    }
    param {
        lr_mult: 1.0
    }
    param {
        lr_mult: 2.0
    }
}
layer {
    bottom: "rfcn_cls"
    bottom: "rois"
    top: "psroipooled_cls_rois"
    name: "psroipooled_cls_rois"
    type: "PSROIPooling"
    psroi_pooling_param {
        spatial_scale: 0.0625
        output_dim: 2  #cls_num
        group_size: 7
    }
}
layer {
    bottom: "rfcn_bbox"
    bottom: "rois"
    top: "psroipooled_loc_rois"
    name: "psroipooled_loc_rois"
    type: "PSROIPooling"
    psroi_pooling_param {
        spatial_scale: 0.0625
        output_dim: 8  #4*cls_num
        group_size: 7
    }
}
layer {
    name: "cls_prob_reshape"
    type: "Reshape"
    bottom: "cls_prob_pre"
    top: "cls_prob"
    reshape_param {
        shape {
            dim: -1
            dim: 2  #cls_num
        }
    }
}
layer {
    name: "bbox_pred_reshape"
    type: "Reshape"
    bottom: "bbox_pred_pre"
    top: "bbox_pred"
    reshape_param {
        shape {
            dim: -1
            dim: 8  #4*cls_num
        }
    }
}

看代碼的內容它改,沒用到classware/下面的參數(shù)文件,暫不需要修改商乎。

  • tools
    訓練用的train_net.py
    測試用的test_net.py

  • data
    /VOCdevkit 存放數(shù)據(jù)集的信息:包括
    (1)/ImageSets/Main下存放train.txt央拖、val.txt、test.txt鹉戚,內容為圖片的名稱(不含后綴)
    (2)/fish_image_hz存放所有的圖片
    (3)/Annotations 存放所有圖片的標注信息xml
    (4)/dataset下存放測試要用到的東西
    /dataset/devkit
    /rfcn_models 訓練生成的caffemodel復制粘貼到此文件夾下鲜戒,為了測試的時候讀取模型
    /imagenet_models 預訓練的模型,譬如ResNet-101-model.caffemodel可從網(wǎng)上下載
    /cache緩存抹凳,如若換數(shù)據(jù)集遏餐,里面的pkl文件要刪掉

  • output
    output文件夾下存放的是訓練所生成的caffemodel,為了以防程序中斷赢底,我們設置了每迭代一萬次備份一次已訓練好的模型失都。

  • lib
    用來存放一些python接口文件柏蘑,如其下的datasets主要負責數(shù)據(jù)庫讀取,config負責cnn一些訓練的配置選項粹庞。
    復制已有的datasets/pascal_voc.py咳焚,但要修改成自己使用的數(shù)據(jù)集的python文件。譬如datasets/fish4knowledge.py 具體修改的地方:

if __name__ == '__main__':
    from datasets.fish4knowledge import fish4knowledge
    d = fish4knowledge('train', '存放數(shù)據(jù)集的路徑')

除此以外信粮,還有data_path,存放圖片名稱的路徑等等黔攒,自己看代碼來修改。

datasets/factory.py 修改的地方有:

from datasets.fish4knowledge import fish4knowledge
devkit = '存放數(shù)據(jù)集的路徑'
for split in ['train', 'val']:
    name = 'fish4knowledge_{}'.format(split)
    __sets[name] = (lambda imageset=split, devkit=devkit: fish4knowledge(imageset, devkit))

datasets/_ init _.py修改成:

from .fish4knowledge import knowledge

fast_rcnn/config.py

image.png
  • caffe
    這里是caffe框架目錄强缘,要事先編譯一遍督惰。

  • experiments
    輸出的日志文件在logs文件夾下
    訓練時運行的腳本在scripts文件夾下,可以用end2end或者alt_opt兩種方式訓練旅掂。rfcn_end2end_ohem.sh腳本需要根據(jù)使用的數(shù)據(jù)集做改動赏胚。

./expriments/scripts/rfcn_end2end_ohem.sh 0 ResNet-101 fish4knowledge train_net.py

在這個腳本里可以設置迭代次數(shù) "ITERS=***",“0”代表用的GPU_id號商虐,ResNet-101代表使用的預訓練模型觉阅,fish4knowledge代表使用的數(shù)據(jù)集名稱,需要在上面的腳本里添加自己的數(shù)據(jù)集case進去秘车,train_net.py是訓練網(wǎng)絡的python代碼典勇,位于/tools文件夾下。

  • results
    測試生成的val_pred.txt在這個文件夾下叮趴。接下來我們就講測試部分了割笙。

【測試】

***這些評測算法的代碼可以參考PASCAL_VOC的評估代碼
我就是下載下來再根據(jù)自己的數(shù)據(jù)集作修改的。
1.訓練生成的模型在output文件夾里眯亦,復制粘貼到data/rfcn_models/目錄下
2.修改tools/文件夾下的demo_rfcn.py并運行

python demo_rfcn.py --gpu 0

在results/文件夾下會生成val_pred.txt伤溉;val_pred.txt文件的每一行對應一個檢測到的目標,格式如下:

<image_id> <class_id> <confidence> <xmin> <ymin> <xmax> <ymax>

其中image_id為測試圖片的id號即幀數(shù)(列于devkit/data/val.txt文件中妻率,這個txt文件區(qū)別于上面的ImageSets/Main/下的txt乱顾,每行除了包括圖片文件名(不含后綴),還有幀數(shù)), class_id 為物體的種類(參見devkit/data/meta_data.mat(需要修改)), confidence為算法對于這一預測的置信度宫静,xmin ymin為目標框左上角點坐標走净,xmax ymax為目標框右下角點坐標。
3.用于評測算法的MATLAB程序位于devkit/evaluation/eval_detection.m孤里。將第二步生成的val_pred.txt復制粘貼到devkit/data/目錄下温技,運行.m程序之后可得知檢測的mAP值。

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末扭粱,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子震檩,更是在濱河造成了極大的恐慌琢蛤,老刑警劉巖蜓堕,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異博其,居然都是意外死亡套才,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門慕淡,熙熙樓的掌柜王于貴愁眉苦臉地迎上來背伴,“玉大人,你說我怎么就攤上這事峰髓∩导牛” “怎么了?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵携兵,是天一觀的道長疾掰。 經(jīng)常有香客問我,道長徐紧,這世上最難降的妖魔是什么静檬? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮并级,結果婚禮上拂檩,老公的妹妹穿的比我還像新娘。我一直安慰自己嘲碧,他們只是感情好稻励,可當我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著呀潭,像睡著了一般钉迷。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上钠署,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天糠聪,我揣著相機與錄音,去河邊找鬼谐鼎。 笑死舰蟆,一個胖子當著我的面吹牛,可吹牛的內容都是我干的狸棍。 我是一名探鬼主播身害,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼草戈!你這毒婦竟也來了塌鸯?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤唐片,失蹤者是張志新(化名)和其女友劉穎丙猬,沒想到半個月后涨颜,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡茧球,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年庭瑰,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片抢埋。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡弹灭,死狀恐怖,靈堂內的尸體忽然破棺而出揪垄,到底是詐尸還是另有隱情穷吮,我是刑警寧澤,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布福侈,位于F島的核電站酒来,受9級特大地震影響,放射性物質發(fā)生泄漏肪凛。R本人自食惡果不足惜堰汉,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望伟墙。 院中可真熱鬧翘鸭,春花似錦、人聲如沸戳葵。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽拱烁。三九已至生蚁,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間戏自,已是汗流浹背邦投。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留擅笔,地道東北人志衣。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像猛们,于是被迫代替她去往敵國和親念脯。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內容