Faster-RCNN+ZF用自己的数据集训练模型
2016-01-20 10:37
501 查看
说明:本博文假设你已经做好了自己的数据集,该数据集格式和VOC2007相同。做好数据集后,我们开始训练,下面是训练前的一些修改。
上面这些路径要正确,第一个是xml标签路径;第二个是图片的路径;第三个是放train.txt、val.txt、test.txt和trainval.txt的路径;第四、五、六个不需要;一般来说这些路径不用修改,你做的数据集格式和VOC2007相同就行。
然后将VOC2007路径注释掉,上面“你的文件夹名”是你放Annotations、ImageSets、JPEGImages文件夹的文件夹名。
可能在randperm(N,k)出现错误,可以将500改小点,比如200.
!!!为防止与之前的模型搞混,训练前把output文件夹删除(或改个其他名),还要把imdb\cache中的文件删除(如果有的话)
将relu5(包括relu5)前的层删除,并将roi_pool5的bottom改为data和rois。并且前面的input_dim:分别改为1,256,50,50(如果是VGG就是1,512,50,50,其他修改基本一样),具体如下
结果如下:
1 、VOCdevkit2007\VOCcode\VOCinit.m的修改
(1)路径的修改
VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml']; VOCopts.imgpath=[VOCopts.datadir VOCopts.dataset '/JPEGImages/%s.jpg']; VOCopts.imgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s.txt']; VOCopts.clsimgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s_%s.txt']; VOCopts.clsrespath=[VOCopts.resdir 'Main/%s_cls_' VOCopts.testset '_%s.txt']; VOCopts.detrespath=[VOCopts.resdir 'Main/%s_det_' VOCopts.testset '_%s.txt'];
上面这些路径要正确,第一个是xml标签路径;第二个是图片的路径;第三个是放train.txt、val.txt、test.txt和trainval.txt的路径;第四、五、六个不需要;一般来说这些路径不用修改,你做的数据集格式和VOC2007相同就行。
(2)训练集文件夹修改
VOCopts.dataset = '你的文件夹名';
然后将VOC2007路径注释掉,上面“你的文件夹名”是你放Annotations、ImageSets、JPEGImages文件夹的文件夹名。
(3)标签的修改
VOCopts.classes={... '你的标签1' '你的标签2' '你的标签3' '你的标签4'};将其改为你的标签。
2 、VOCdevkit2007\results
results下需要新建一个文件夹,名字和xml中的<folder>***</folder>对应。***文件夹下新建一个Main文件夹。3 、VOCdevkit2007\local
local下需要新建一个文件夹,名字和xml中的<folder>***</folder>对应。4 、function\fast_rcnn\fast_rcnn_train.m
ip.addParamValue('val_iters', 500, @isscalar); ip.addParamValue('val_interval', 2000, @isscalar);
可能在randperm(N,k)出现错误,可以将500改小点,比如200.
5、function\rpn\proposal_train.m
这里的问题和fast_rcnn_train.m一样。6.imdb\imdb_eval_voc.m
%do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test'); do_eval = 1;注释掉
do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');并令其为1,否则测试会出现精度全为0的情况
7. imdb\roidb_from_voc.m
ip.addParamValue('exclude_difficult_samples', true, @islogical);</span>不包括难识别的样本,所以设置为true。(如果有就设置为false)
8.网络模型的修改
(1) models\ fast_rcnn_prototxts\ZF\ train_val.prototxt
input: "bbox_targets" input_dim: 1 # to be changed on-the-fly to match num ROIs input_dim: 84 # 根据类别数改,该值为(类别数+1)*4 ################# input_dim: 1 input_dim: 1
input: "bbox_loss_weights" input_dim: 1 # to be changed on-the-fly to match num ROIs input_dim: 84 # 根据类别数改,该值为(类别数+1)*4 ############</span> input_dim: 1 input_dim: 1
layer { bottom: "fc7" top: "cls_score" name: "cls_score" param { lr_mult: 1.0 } param { lr_mult: 2.0 } type: "InnerProduct" inner_product_param { num_output: 21 #根据类别数改该值为类别数+1 #########
layer { bottom: "fc7" top: "bbox_pred" name: "bbox_pred" type: "InnerProduct" param { lr_mult: 1.0 } param { lr_mult: 2.0 } inner_product_param { num_output: 84 #根据类别数改,该值为(类别数+1)*4 ##########
(2) models\ fast_rcnn_prototxts\ZF\ test.prototxt
layer { bottom: "fc7" top: "cls_score" name: "cls_score" param { lr_mult: 1.0 } param { lr_mult: 2.0 } type: "InnerProduct" inner_product_param { num_output: 21 #类别数+1 ##########
layer { bottom: "fc7" top: "bbox_pred" name: "bbox_pred" type: "InnerProduct" param { lr_mult: 1.0 } param { lr_mult: 2.0 } inner_product_param { num_output: 84 #4*(类别数+1) ##########
(3) models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxt
input: "bbox_targets" input_dim: 1 # to be changed on-the-fly to match num ROIs input_dim: 84 # 4*(类别数+1) ########### input_dim: 1 input_dim: 1
input: "bbox_loss_weights" input_dim: 1 # to be changed on-the-fly to match num ROIs input_dim: 84 # 4*(类别数+1) ########### input_dim: 1 input_dim: 1
layer { bottom: "fc7" top: "cls_score" name: "cls_score" param { lr_mult: 1.0 } param { lr_mult: 2.0 } type: "InnerProduct" inner_product_param { num_output: 21 #类别数+1 ############
layer { bottom: "fc7" top:"bbox_pred" name:"bbox_pred" type:"InnerProduct" param { lr_mult:1.0 } param { lr_mult:2.0 } inner_product_param{ num_output: 84 #4*(类别数+1) ###########
(4) models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxt
layer { bottom: "fc7" top: "cls_score" name: "cls_score" param { lr_mult: 1.0 } param { lr_mult: 2.0 } type: "InnerProduct" inner_product_param { num_output: 21 类别数+1 #######
layer { bottom: "fc7" top: "bbox_pred" name: "bbox_pred" type: "InnerProduct" param { lr_mult: 1.0 } param { lr_mult: 2.0 } inner_product_param { num_output: 84 #4*(类别数+1) ##########
!!!为防止与之前的模型搞混,训练前把output文件夹删除(或改个其他名),还要把imdb\cache中的文件删除(如果有的话)
9.开始训练
运行:experiments/script_faster_rcnn_VOC2007_ZF.m
10.训练完后
训练完后,不要急着马上测试,先打开output/faster_rcnn_final/faster_rcnn_VOC2007_ZF文件夹,打开detection_test.prototxt,作如下修改:将relu5(包括relu5)前的层删除,并将roi_pool5的bottom改为data和rois。并且前面的input_dim:分别改为1,256,50,50(如果是VGG就是1,512,50,50,其他修改基本一样),具体如下
input: "data" input_dim: 1 input_dim: 256 input_dim: 50 input_dim: 50
# ------------------------ layer 1 ----------------------------- layer { bottom: "data" bottom: "rois" top: "pool5" name: "roi_pool5" type: "ROIPooling" roi_pooling_param { pooled_w: 6 pooled_h: 6 spatial_scale: 0.0625 # (1/16) } }
11.测试
训练完成后,打开\experiments\script_faster_rcnn_demo.m,将模型路径改成训练得到的模型路径:model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC2007_ZF')
将测试图片改成你的图片,im_names = {'001.jpg', '002.jpg', '003.jpg'};
结果如下:
相关文章推荐
- 遍历二叉树小结
- 终于整理好了,安卓日常开发工具大合集
- vim操作笔记
- 记录一次Quartz2D学习(五)
- Maven如何打包本地依赖包
- TCP拥塞控制
- HDU 1078 FatMouse and Cheese
- CodeIgniter多语言实现方法详解
- webrtc agc
- iOS -字符串替换 富文本的简单使用
- C3p0配置Mysql失效
- (一)、认识 hadoop
- selector状态
- Android47_传感器Sensor
- 细述Web技术与Native App共存的这10年
- 使用System.arraycopy()实现数组之间的复制
- js-RSA加密解密
- Spring注解详解
- Android 利用 aapt 解析 apk 得到应用名称 包名 版本号 权限等信息
- nova cell配置