深度学习Caffe实战笔记（20）Windows平台 Faster-RCNN 训练自己的数据集

昨天晚上博主干到12点多，终于用了一晚上时间搞定了Faster-Rcnn训练自己的数据集，这篇博客介绍如何用faster_rcnn训练自己的数据集，前提是已经准备好了自己的数据和配置好了faster-rcnn的环境。

制作数据集教程：http://blog.csdn.net/gybheroin/article/details/72581318

环境配置教程：http://blog.csdn.net/gybheroin/article/details/72428582

请大家自行前往查看。

1、把自己的数据集放到Faster-master中

我觉得这个过程是最重要的一个过程吧，博主在这里跳了很多的坑，最后找到了一个非常简单高效的方法。不用修改任何文件，就可以轻松实现加载自己的数据集。

在faster_rcnn-master文件夹下，有一个datasets文件夹，把VOCdevkit2007文件夹放在datasets文件夹下，然后在VOCdevkit2007文件夹下把你的数据集文件夹拷进去，并把你的数据集文件夹命名为VOC2007。通过这种方式可以最大限度的减少路径修改的麻烦。当然，如果你不想这样做，就需要修改faster_rcnn-master\datasets\VOCdevkit2007\VOCcode\VOCinit.m



不采用命名VOC2007的方法就要把这几个路径修改成自己的路径。

2、修改数据标签

在faster_rcnn-master\datasets\VOCdevkit2007\VOCcode\VOCinit.m中把标签修改成自己的标签

if VOC2006

% VOC2006 classes

VOCopts.classes={...
'bicycle'
'bus'
'car'
'cat'
'cow'
'dog'
'horse'
'motorbike'
'person'
'sheep'};
else

% VOC2007 classes

VOCopts.classes={...
'person'      %修改成自己的标签
};
end

3、修改验证参数

function\fast_rcnn\fast_rcnn_train.m和function\rpn\proposal_train.m中，

ip.addParamValue('val_iters',       56,            @isscalar); %原来的值是500
ip.addParamValue('val_interval',    2000,           @isscalar);

据说这个地方是根据数据集来的，是验证集的1/5，博主没有试过不修改是什么情况，感兴趣的同学可以不修改对比有什么差别。

4、网络模型参数的修改

models\ fast_rcnn_prototxts\ZF\ train_val.prototxt models文件中默认的应该是空文件夹，这个模型大小1.4G，我没法上传，所以大家先去网上找找下载一下，如果找不到联系我我再把需要的文件发给你。

input: "bbox_targets"
input_dim: 1  # to be changed on-the-fly to match num ROIs
input_dim: 8 # 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: 8 # 根据类别数改，该值为（类别数+1）*4
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: 2 #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: 8  #根据类别数改，该值为（类别数+1）*4

faster_rcnn-master\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: 2 #根据类别修改！类别数+1
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}

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: 8 #根据类别修改！（类别数+1）*4
weight_filler {
type: "gaussian"
std: 0.001
}
bias_filler {
type: "constant"
value: 0
}
}
}

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: 8 # 4*(类别数+1)  因为我只标注了一个类
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: 8 # 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: 2   #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: 8   #（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: 2  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: 8  #（类别数+1） *4

5、solver文件的更改

solver文件的更改在faster_rcnn-master\experiments+Model\ZF_for_Faster_RCNN_VOC2007.m

model.stage1_rpn.solver_def_file                = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'solver_30k40k.prototxt');   %solver_60k80k.prototxt可以修改不同的solver文件
model.stage1_rpn.test_net_def_file              = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'test.prototxt');
model.stage1_rpn.init_net_file                  = model.pre_trained_net_file;

6、开始训练

打开faster_rcnn-master\experiments\script_faster_rcnn_VOC2007_ZF.m，切换到faster_rcnn-master目录，开始训练。



补充：

如果出现测试精度为0的情况，需要在imdb\imdb_eval_voc.m中做以下修改

%do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');
do_eval = 1;