本文主要是介绍使用faster-rcnn训练自己的模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
参考
faster-rcnn
源码链接
论文链接
一个不错的参考
faster rcnn简介
各文件目录介绍
caffe-fast-rcnn —> caffe框架
data —> 存放数据，以及读取文件的cache
experiments —>存放配置文件以及运行的log文件,配置文件
lib —> python接口
models —> 三种模型, ZF(S)/VGG1024(M)/VGG16(L)
output —> 输出的model存放的位置，不训练此文件夹没有
tools —> 训练和测试的python文件
提供了两种算法
alternating optimization training（alt-opt）交替优化训练
approximate joint training (end-to-end) 近似联合训练：官方指出，对于VGG16而言，end-to-end要比alt-opt快1.5倍，精度是差不多的。
提供了三种模型
ZF，小型。至少3G显存。
VGG_CNN_M_1024，中型。至少3G显存。
VGG16，大型。至少11G显存。不过如果开启CUDNN模式，在end-to-end算法中训练，3G显存也可以跑起来。
安装
安装流程
在caffe-fast-rcnn目录下，像安装caffe一样。
cd caffe-fast-rcnn
cp Makefile.config.example Makefile.config
vim Makefile.config # 根据自己的需要修改配置文件，如果只使用CPU训练就打开CPU_ONLY := 1；# 如果要使用CUDNN就打开USE_CUDNN := 1;最高支持cudnn4，更高版本会报错将USE_PKG_CONFIG := 1和WITH_PYTHON_LAYER := 1打开
然后
这篇关于使用faster-rcnn训练自己的模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
