使用py-faster-rcnn来训练voc2007数据集(Ubuntu)
2017-09-18 15:07
2186 查看
数据集
1、下载数据集: 输入指令:
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[/code] 1
2
3
文件挺大,要下载一段时间。如果嫌慢的话,直接打开url使用其他下载器下载也可以。
下载完成后得到三个文件:
2、解压:tar -xvf VOCtrainval_06-Nov-2007.tar tar -xvf VOCtest_06-Nov-2007.tar tar -xvf VOCdevkit_08-Jun-2007.tar
解压后其中的文件会自动合并到一起。
其中比较重要的两个文件夹分别是VOC2007和VOCcode。
3、将VOCdevkit文件夹放到py-faster-rcnn的data目录,即FRCNROOT/data下:FRCN_ROOT表示py-faster-rcnn的根目录。
输入指令,为PASCAL_VOC dataset创建链接 :cd $FRCN_ROOT/data ln -s $VOCdevkit VOCdevkit2007
4、下载预训练模型:cd $FRCN_ROOT ./data/scripts/fetch_imagenet_models.sh
文件挺大的,下载时间可能会比较长。
当然下载方法也很多,也可以到csdn下载区找到,不多说了。好了,到目前为止都很简单。接下来要使用指令来训练了,一般来说都会因为环境不兼容碰到各种坑,后面会给出解决办法。
训练数据集
使用交替优化算法训练RPN
指令说明:cd $FRCN_ROOT ./experiments/scripts/faster_rcnn_alt_opt.sh [GPU_ID] [NET] [--set ...]
GPU_ID:你的GPU号,默认为0;
NET:使用的网络模型,模型有三种{ZF, VGG_CNN_M_1024, VGG16},其中zf较小,vgg16最大;
set 训练集设置,使用的数据集是pascal_voc;
示例:cd $FRCN_ROOT ./experiments/scripts/faster_rcnn_alt_opt.sh 0 VGG16 pascal_voc
使用联合训练的方法训练RPN
指令说明:cd $FRCN_ROOT ./experiments/scripts/faster_rcnn_end2end.sh [GPU_ID] [NET] [--set ...]
GPU_ID:你的GPU号,默认为0;
NET:使用的网络模型,模型有三种{ZF, VGG_CNN_M_1024, VGG16},其中zf较小,vgg16最大;
set 训练集设置,使用的数据集是pascal_voc;
这里跟前面类似,只是训练的方法不一样,使用的网络模型和数据集等等都是一样的。
示例:cd $FRCN_ROOT ./experiments/scripts/faster_rcnn_end2end.sh 0 VGG16 pascal_voc好了,前面的就是基本的操作步骤了。现在介绍一下可能遇到的问题。
可能遇到的问题
错误1:TypeError: slice indices must be integers or None or have an index method
这个报错是因为numpy的版本太高,默认我们装anaconda的话,使用的numpy版本是1.12的,而这里用的是numpy1.11。由于语法不同,不兼容,所以报错。
解决方法一:对numpy版本做调整,把numpy版本降低到1.11。
输入指令:sudo pip install -U numpy==1.11.0
1
如果装的是anaconda的话,要使用conda install指令来重新安装numpy。但是不建议,因为会将一系列的python包更改掉,管理会变得很混乱,所以我没有采取这种方法。
给个参考链接,感兴趣的可以去看看:跑py-faster-rcnn过程中遇到的问题
解决办法二:
由于是numpy版本不兼容,我们就自己修改代码,使代码能兼容1.12版本的numpy。
修改$FRCN_ROOT/lib/rpn/proposal_target_layer.py,从第123行起:for ind in inds: cls = clss[ind] start = 4 * cls end = start + 4 bbox_targets[ind, start:end] = bbox_target_data[ind, 1:] bbox_inside_weights[ind, start:end] = cfg.TRAIN.BBOX_INSIDE_WEIGHTS return bbox_targets, bbox_inside_weights
修改为:for ind in inds: ind = int(ind) cls = clss[ind] start = int(4 * cls) end = int(start + 4) bbox_targets[ind, start:end] = bbox_target_data[ind, 1:] bbox_inside_weights[ind, start:end] = cfg.TRAIN.BBOX_INSIDE_WEIGHTS return bbox_targets, bbox_inside_weights
只是更改了ind,start,end变量,因为他们是numpy.int类型,将其进行强制类型转换,才能做索引。
错误2:TypeError: 'numpy.float64' object cannot be interpreted as an index
这个报错也是numpy的版本问题,有可能会遇到报错也有可能不会。
要么更换numpy版本,要么就是自己修改源码。
1) $FRCN_ROOT/lib/roi_data_layer/minibatch.py
将第26行:fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image)
改为:fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image).astype(np.int)
2) $FRCN_ROOT/lib/datasets/ds_utils.py
将第12行:hashes = np.round(boxes * scale).dot(v)
改为:hashes = np.round(boxes * scale).dot(v).astype(np.int)
3) $FRCN_ROOT/lib/fast_rcnn/test.py
将第129行:hashes = np.round(blobs['rois'] * cfg.DEDUP_BOXES).dot(v)
改为:hashes = np.round(blobs['rois'] * cfg.DEDUP_BOXES).dot(v).astype(np.int)
4) $FRCN_ROOT/lib/rpn/proposal_target_layer.py
将第60行:fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image)
改为:fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image).astype(np.int)
接下来可以回去前面输入指令测试了。如果还遇到了其他问题,下面给出几个参考博客链接:
Faster RCNN 训练中的一些问题及解决办法
Ubuntu16.04+cuda8.0+cudnn5.1配置faster-rcnn的方法以及训练自己的数据出现的问题
相关文章推荐
- caffe学习(七):使用py-faster-rcnn来训练voc2007数据集(Ubuntu)
- RCNN(六):Ubuntu 15.04 使用Faster RCNN训练VOC
- 使用py-faster-rcnn训练VOC2007数据集时遇到问题
- 使用py-faster-rcnn训练自己的数据集
- Caffe下py-faster-rcnn使用残差网络Resnet进行训练
- Caffe——py-faster-rcnn使用和搭建[Ubuntu——CPU]
- 使用py-faster-rcnn训练自己的数据
- py-faster-rcnn训练笔记(ubuntu14.04+cuda7.5+cuDNNv3+Python2.7)
- 使用faster rcnn训练自己的数据(py-faster-rcnn )
- 使用caffe训练faster-rcnn时遇到的问题总结
- AWS-G2-Ubuntu16.04下安装cuda,caffe和py-faster-rcnn
- py-faster-rcnn流程(5)——训练RPN网络二阶段
- 使用labelIImg制作自己的数据集(VOC2007格式)用于Faster-RCNN训练
- ubuntu14.04、CPU的py-faster-rcnn安装步骤
- ubuntu14.04配置py-faster-rcnn(仅cpu)
- ubuntu16.04+caffe安装和 py-faster-rcnn的CPU安装
- faster-rcnn安装配置,训练自己的数据,MATLAB,Ubuntu14
- 使用ImageNet在faster-rcnn上训练自己的分类网络
- py-faster-rcnn流程(6)——训练Fastrcnn网络二阶段
- 【py-faster-rcnn】【训练自己数据】需要修改的参数小记