本文主要是介绍fast rcnn 训练自己的数据集(编译环境配置),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!
FastRCNN 训练自己数据集 (1编译配置)
转载请注明出处,楼燚(yì)航的blog,http://www.cnblogs.com/louyihang-loves-baiyan/
http://github.com/YihangLou/fast-rcnn-train-another-dataset 这是楼主在github上修改的几个文件的链接
FastRCNN是Ross Girshick在RCNN的基础上增加了Multi task training整个的训练过程和测试过程比RCNN快了许多。别的一些细节不展开,过几天会上传Fast RCNN的论文笔记。FastRCNN mAP性能上略有上升。Fast RCNN中,提取OP的过程和训练过程仍然是分离的。因此我们在训练过程中,需要用OP的方法先把图像OP提取好,再送入Fast RCNN中训练,在检测过程中也是如此需要先把相应的测试图像的OP提取出来送入检测。
首先我要说的是如何安装Fast RCNN环境,具体的流程在Ross Girshick的Github上有,他里面主要是讲解了如何安装和使用。我会稍微提到这一部分内容,主要讲解,如果要训练自己的数据,应该修改那些地方,并把我自己训练的过程跟大家分享一下。
1.当然是Git clone一下Ross的工程啦
这里给出Github的链接http://github.com/rbgirshick/fast-rcnn
首先根据他的提示
Make sure to clone with --recursive
git clone --recursive http://github.com/rbgirshick/fast-rcnn.git
这里不要忘了加--recursive
2.在这里简单介绍一下工程目录
首先工程的根目录简单的称为 FRCN_ROOT,可以看到根目录下有以下几个文件夹
-
caffe-fast-rcnn
这里是caffe框架目录
-
data
用来存放pretrained模型 比如imagenet上的,以及读取文件的cache缓存
-
experiments
存放配置文件以及运行的log文件,另外这个目录下有scripts 用来获取imagenet的模型,以及作者训练好的fast rcnn模型,以及相应的pascal-voc数据集
-
lib
用来存放一些python接口文件,如其下的datasets主要负责数据库读取 config负责cnn一些训练的配置选项
-
matlab
放置matlab与python的接口,用matlab来调用实现detection
-
models
里面存放了三个模型文件,小型网络的CaffeNet 大型网络VGG16 中型网络VGG_CNN_M_1024
-
output
这里存放的是训练完成后的输出目录,默认会在default文件夹下
-
tools
里面存放的是训练和测试的Python文件
3.编译Cython module
cd $FRCN_ROOT/lib
make
进入lib目录直接make就可以了
4.编译Caffe and pycaffe
cd $FRCN_ROOT/caffe-fast-rcnn
make -j8 && make pycaffe
这里需要注意的是你直接make -j8 && make pycaffe是会报错的,
可以看到图中是是没有Makefile.config文件,但是作者有一个Makefile.config.example文件,你需要复制它一下然后重命名为Makefile.config
需要注意的是里面还有几个配置需要添加
-
打开 USE_CUDNN = 1,这个选项默认情况下时关闭的,让CUDA支持DNN
-
打开 WITH_PYTHON_LAYER = 1,这个在默认情况下也是关闭的,FastRCNN需要支持Python接口,因此需要打开
- Fast RCNN需要hdf5的支持,这个根据自己的Linux里的库文件安装路径添加,不清楚的可以find一下,不过一般情况下,INCLUDE_DIRS 应该添加上 /usr/include/hdf5/serial LIBRARY_DIRS 添加上/usr/lib/x86_x64-linux-gnu/hdf5/serial
-
另外把USE_PKG_CONFIG = 1 记得打开,要不然会找不到一些库文件,PKG是linux用来管理库文件
这几个是需要在Makefile.config.example中修改的,最好直接copy一个再修改。
另外还有一个需要注意的地方是,当初楼主的linux版本太高,ubuntu这玩意更新太快了,boost库的版本太高,Fast RCNN里面用的是1.55版本的boost库,当时我电脑上是1.59,会出现接口不兼容,记得是废弃了几个接口,编译报错,装回1.55的就可以了
5.下载相应的模型文件
Ross给出的操作是这样的,其实我不推荐这么弄,因为直接用wget去下载的速度比较慢,我们可以打开里面的shell文件,把url粘贴出来,到迅雷里面下载,几分钟就好了
cd $FRCN_ROOT
./data/scripts/fetch_fast_rcnn_models.sh
这里以相应的 imagenet_model为例,你到目录下可以看到3个shell文件,分别是fetch_fast_rcnn_models.s h,fetch_imagenet_models.sh,fetch_selective_search_data.sh,第一是作者训练好的fast_rcnn模型,第二个是imagenet_model上预训练好的模型,第三个对应着的是作者基于Pascal VOC数据集提取的selective_search预选框。如果想要看一下fast rcnn的效果,可以直接加载Ross训练好的fast_rcnn模型,如果要自己训练的话,记得加载imagenet模型
这里是imagenet_model的shell文件,看家里面的URL了没,最后的URL链接就是这个链接再加上FILE变量,链接,你直接把它链接起来,复制到迅雷中下载就可以了,速度灰常快,直接下载的话炒鸡慢啊。
下在之后记得放到data/目录下去解压哦,
6.运行网络和加载模型文件
在tools下面有个demo.py文件
cd $FRCN_ROOT
./tools/demo.py
就可以直接运行,记得看一下里面的参数,这里对显卡有一定的要求,Ross说必须是3G的显存以上才可以跑的动哦,里面有3个大小的网络caffenet是最小的,有显卡应该就能跑起来,vgg_cnn_m_1024是一个中型网络,vgg16是大型网络,后两个得看显卡的显存大小才能跑起,显存不够启动会报错的。
如果在cpu模式下的话速度是灰常慢的,GPU模式下大概0.2秒左右。
对了demo里面都是有显示的函数的,如果你是在linux终端下没有输出设备运行是会报错的
正确运行的结果如下
里面有两个图片检测效果,这里放一张
7.关于训练自己的数据样本
请等待下一篇 过两天就放上来 FastRCNN 训练自己数据集 (2接口修改训练)
这篇关于fast rcnn 训练自己的数据集(编译环境配置)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!