ubuntu系统使用Faster RCNN训练自己的数据集

本人使用的ubantu16.04系统，带有GPU处理器，环境配置安装就不说了。

本次所使用的源码为:https://github.com/endernewton/tf-faster-rcnn

一.下载Github代码

git clone https://github.com/endernewton/tf-faster-rcnn.git

二.更改配置

cd ~/tf-faster-rcnn/lib
 
vim setup.py
 

因为本人使用的服务器为GTX 1080，因此改为sm_61，大家可以通过nvidia-smi查看自己电脑的GPU配置。

三.编译

在上一步那个lib 文件夹中进行：

make clean
 
make
 
cd ..

四.安装COCO API

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

五.下载数据并解压

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 

六.重命名

手动将下载的数据集文件夹VOCdevkit修改名字为VOCdevkit2007放入faster rcnn目录下的Data文件夹里。也可以通过以下代码实现，改名字是因为代码中是VOCdevkit2007。

cd $FRCN_ROOT/data
ln -s $VOCdevkit VOCdevkit2007 

七.下载预训练的模型

这一步下载需要FQ往往下载不成功，因此可以在此网盘中下载https://pan.baidu.com/s/1kWkF3fT，下载后放在data目录下进行解压。

tar xvf voc_0712_80k-110k.tgz

八.建立预训练模型的软连接

这一步的目的是在tf-faster-rcnn目录下建立output文件夹，并使用软连接来使用预训练模型，使用以下代码这里按照步骤走就行：

NET=res101
TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval
mkdir -p output/${NET}/${TRAIN_IMDB}
cd output/${NET}/${TRAIN_IMDB}
ln -s ../../../data/voc_2007_trainval+voc_2012_trainval ./default
cd ../../..

九.demo测试

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

十.使用自己的数据训练

替换自己的数据，可参照另一篇博客：https://blog.csdn.net/hitzijiyingcai/article/details/81636455

将制作好的数据放在data文件夹下，然后还要在其中新建一个txt文件，具体的位置及相关文件夹名称如图：

十一.下载预训练模型

首先下载VGG模型，网盘下载地址https://pan.baidu.com/s/1aD0jlYGHhZQeeTvNJy0GGQ，密码：45ef。

在tf-faster-rcnn/data/目录下创建一个imagenet_weights文件夹，解压权重数据并把解压后的vgg_16.ckpt重命名为vgg16.ckpt，因为后面在调用权重数据的时候名字需要对应的上。

可以说到这里就可以进行训练了，但是为了节省时间并排除错误，把迭代次数只设置了2000次,具体操作为：

./experiments/scripts/train_faster_rcnn.sh里的第22行把ITERS=70000改成ITERS=2000，

同时把./experiments/scripts/test_faster_rcnn.sh的ITERS也改成2000。

在tf-faster-rcnn/lib/datasets目录下的pascal_voc.py里第36行更改自己的类别，'__background__'切记不可删掉，把后面的原来的20个label换成自己的，不用更改类别数目，也没有地方可以更改。

 在tf-faster-rcnn/lib/datasets目录下的imdb.py中修改类别，类别+1，我的数据是两类。

在开始训练之前，还需要把之前训练产生的模型以及cache删除掉，分别在tf-faster-rcnn/output/vgg16/voc_2007_trainval/default路径下和tf-faster-rcnn/data/cache路径下，然后再修改一些内容：

在tf-faster-rcnn/tools目录下test_net.py文件中修改如下内容：哪些地方修改照着自己的目录修改

 然后修改同目录下的trainval_net.py文件中的内容：

 接下来可以进行训练和测试了

GPU_ID=0
 
./experiments/scripts/train_faster_rcnn.sh 0 pascal_voc vgg16

GPU_ID=0
 
./experiments/scripts/test_faster_rcnn.sh 0 pascal_voc vgg16

训练和测试结果就不展示了，展示demo测试的结果。

十二.demo测试模型

进行测试之前需要在tf-faster-rcnn/data/demo/目录下放入自己需要测试的图片

在tf-faster-rcnn/tools/目录下的demo.py文件中修改如下内容：找到对应的位置修改即可

 修改图片名称，和放在demo文件夹中的图片名称一致，.jpg文件格式。

./tools/demo.py

demo测试其中一类结果

参考文章：

1.https://blog.csdn.net/hitzijiyingcai/article/details/81808091

2.https://blog.csdn.net/hitzijiyingcai/article/details/81914200

3.https://blog.csdn.net/hitzijiyingcai/article/details/81347402

作者：舟华520

出处：https://www.cnblogs.com/xfzh193/

本文以学习，分享，研究交流为主，欢迎转载，请标明作者出处！