Tensorflow框架下Faster-RCNN实践(二)——用自己制作的数据训练Faster-RCNN网络(附代码)
2017-12-25 21:40
856 查看
修改make.sh
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
–restore -0(位置)
修改run_profilling.sh
2
3
4
5
6
7
8
9
10
11
12
2
3
4
5
6
7
8
9
10
11
12
替换自己的数据 删除 cache/*.pkl
cfgs NCLASSES 2
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
对自己的数据扩充pad
sys.path.appent
ckpt.index ckpt.meta ->ckpt
修改train.py (8.9 在一块)
2
3
修改plt.show()的位置,并且保存生成的图片
11.运行test的时候,修改cfgs 默认参数,21->2
版权声明:本文为博主原创文章,如果特别强烈的想转载,那就转载吧,有问题联系ruyiwei.cas@gmail.com
#!/usr/bin/env bash TF_INC=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_include())') echo $TF_INC CUDA_PATH=/usr/local/cuda/ cd roi_pooling_layer nvcc -std=c++11 -c -o roi_pooling_op.cu.o roi_pooling_op_gpu.cu.cc \ -I $TF_INC -D GOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -arch=sm_52 ## if you install tf using already-built binary, or gcc version 4.x, uncomment the two lines below #g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=0 -o roi_pooling.so roi_pooling_op.cc \ # roi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64 # for gcc5-built tf #g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=1 -o roi_pooling.so roi_pooling_op.cc \ # roi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64 g++ -std=c++11 -shared -o roi_pooling.so roi_pooling_op.cc -D_GLIBCXX_USE_CXX11_ABI=0 \ roi_pooling_op.cu.o -I $TF_INC -D GOOGLE_CUDA=1 -fPIC $CXXFLAGS \ -lcudart -L $CUDA_PATH/lib64 cd .. # add building psroi_pooling layer cd psroi_pooling_layer nvcc -std=c++11 -c -o psroi_pooling_op.cu.o psroi_pooling_op_gpu.cu.cc \ -I $TF_INC -D GOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -arch=sm_52 g++ -std=c++11 -shared -o psroi_pooling.so psroi_pooling_op.cc -D_GLIBCXX_USE_CXX11_ABI=0 \ psroi_pooling_op.cu.o -I $TF_INC -D GOOGLE_CUDA=1 -fPIC $CXXFLAGS \ -lcudart -L $CUDA_PATH/lib64 ## if you install tf using already-built binary, or gcc version 4.x, uncomment the two lines below #g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=0 -o psroi_pooling.so psroi_pooling_op.cc \ # psroi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64 cd ..1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
–restore -0(位置)
python ./faster_rcnn/train_net.py --gpu 0 --weights ./data/pretrain_model/VGG_imagenet.npy --imdb voc_2007_trainval --iters 70000 --cfg ./experiments/cfgs/faster_rcnn_end2end.yml --network VGGnet_train --restore 0 --set EXP_DIR exp_dir1
修改run_profilling.sh
#!/bin/bash python -m cProfile -o experiments/profiling/profile.out ./faster_rcnn/train_net.py\ --gpu 0 --weights data/pretrain_model/VGG_imagenet.npy --imdb voc_2007_trainval \ --iters 1000 --cfg experiments/cfgs/faster_rcnn_end2end.yml --network VGGnet_train # generate an image if [ ! -f experiments/profiling/gprof2dot.py ]; then echo "Downloading ... " wget https://raw.githubusercontent.com/jrfonseca/gprof2dot/master/gprof2dot.py -O experiments/profiling/gprof2dot.py fi python experiments/profiling/gprof2dot.py -f pstats experiments/profiling/profile.out | dot -Tpng -o experiments/profiling/profile.png1
2
3
4
5
6
7
8
9
10
11
12
#!/bin/bash python -m cProfile -o experiments/profiling/profile.out ./faster_rcnn/train_net.py\ --gpu 0 --weights data/pretrain_model/VGG_imagenet.npy --imdb voc_2007_trainval \ --iters 1000 --restore 0 --cfg experiments/cfgs/faster_rcnn_end2end.yml --network VGGnet_train # generate an image if [ ! -f experiments/profiling/gprof2dot.py ]; then echo "Downloading ... " wget https://raw.githubusercontent.com/jrfonseca/gprof2dot/master/gprof2dot.py -O experiments/profiling/gprof2dot.py fi python experiments/profiling/gprof2dot.py -f pstats experiments/profiling/profile.out | dot -Tpng -o experiments/profiling/profile.png1
2
3
4
5
6
7
8
9
10
11
12
替换自己的数据 删除 cache/*.pkl
cfgs NCLASSES 2
EXP_DIR: faster_rcnn_voc_vgg LOG_DIR: faster_rcnn_voc_vgg IS_MULTISCALE: False NET_NAME: VGGnet ANCHOR_SCALES: [8, 16, 32] NCLASSES: 2 TRAIN: OHEM: True RPN_BATCHSIZE: 2000 BATCH_SIZE: 300 LOG_IMAGE_ITERS: 100 DISPLAY: 100 SNAPSHOT_ITERS: 5000 HAS_RPN: True LEARNING_RATE: 0.001 MOMENTUM: 0.9 GAMMA: 0.1 STEPSIZE: 60000 IMS_PER_BATCH: 1 BBOX_NORMALIZE_TARGETS_PRECOMPUTED: True RPN_POSITIVE_OVERLAP: 0.7 RPN_BATCHSIZE: 256 PROPOSAL_METHOD: gt BG_THRESH_LO: 0.0 PRECLUDE_HARD_SAMPLES: True BBOX_INSIDE_WEIGHTS: [1, 1, 1, 1] RPN_BBOX_INSIDE_WEIGHTS: [1, 1, 1, 1] RPN_POSITIVE_WEIGHT: -1.0 FG_FRACTION: 0.3 WEIGHT_DECAY: 0.0005 TEST: HAS_RPN: True1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
对自己的数据扩充pad
sys.path.appent
ckpt.index ckpt.meta ->ckpt
修改train.py (8.9 在一块)
In train.py: +from tensorflow.core.protobuf import saver_pb2 and in function of "def init": self.saver = tf.train.Saver(max_to_keep=100,write_version=saver_pb2.SaverDef.V1)1
2
3
修改plt.show()的位置,并且保存生成的图片
11.运行test的时候,修改cfgs 默认参数,21->2
版权声明:本文为博主原创文章,如果特别强烈的想转载,那就转载吧,有问题联系ruyiwei.cas@gmail.com
相关文章推荐
- Tensorflow框架下Faster-RCNN实践(二)——用自己制作的数据训练Faster-RCNN网络(附代码)
- faster-rcnn安装,训练自己的数据
- 使用faster rcnn训练自己的数据(py-faster-rcnn )
- faster rcnn训练自己地数据时遇到地问题
- Caffe windows下入门级别的从编译到训练然后到分类(用python接口)制作自己的数据和训练网络(三)
- Tensorflow框架下Faster-RCNN实践(一)——Faster-RCNN所需数据集制作(附代码)
- faster rcnn训练自己地数据时遇到地问题
- py-faster-rcnn训练自己的数据
- Caffe学习系列——Faster-RCNN训练自己的数据集
- faster rcnn训练自己地数据时遇到地问题
- 【py-faster-rcnn】【训练自己数据】需要修改的参数小记
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-1.制作自己的数据集
- 使用caffe框架利用faster-rcnn来训练自己的数据集
- 用自己的数据训练Faster-RCNN
- faster rcnn训练自己地数据时遇到地问题
- 使用py-faster-rcnn训练自己的数据
- faster rcnn训练自己地数据时遇到地问题
- py-faster-rcnn(caffe)配置和运行,训练自己的数据
- faster rcnn训练自己地数据时遇到地问题
- 使用faster rcnn训练自己的数据-制作数据集