win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn編譯訓練

阿新 • • 發佈：2018-11-09

win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn

配置Faster-RCNN（網上找的的都是基於python3.5的，不支援py3.6，本文主要嘗試用py3.6配置）

python3.5版本 https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5

由於上述版本中的python都是基於linux環境編寫的，windows執行需要進行改動。

基礎環境配置：

安裝TensorFlow的GPU版本，

具體安裝步驟可以參照這裡。
安裝一些必要的庫：cython，easydict，python-opencv，庫的安裝可以直接用pip 命令，當然這裡的安裝位置要在你自己建的的TensorFlow-gpu環境中。
在命令列中 cd 一下進入原始碼中所給的 /data/coco/PythonAPI資料夾下，執行編譯提供的 setup.py
強調一下，最好按照原始碼給的參考裝python 3.5。偷懶不想換原來裝的其他版本會出會問題的，我就是，結果被一個bug坑了好久，我的基礎環境已經裝好，就不重複了。需要什麼模組大家直接安裝。

我的執行環境：tensorflow-gpu 1.10
win10 64bit
i7-8700k+32G+gtx1070
CUDA:9.2
IDE:VS2017

This is the branch to compile Faster R-CNN on Windows. It is heavily inspired by the great work done here and here. I have not implemented anything new but I fixed the implementations for Windows and Python 3.5.

python3.5是必須的。我安裝了python3.66，but各種不行。如果你安裝python3.5，估計都沒什麼問題了，如果你不想折騰，你就安裝一個python3.5，如果想和我一樣折騰一下，就繼續往下看。

先執行一下demo.py

我們需要對Faster RCNN專案當中的setup.py進行一點點修改。G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\data\coco\PythonAPI\setup.py,原始的是下面這樣的

我們在程式的16行加上

,
    Extension( 'lib.utils.cython_bbox',
               sources=['../../../lib/utils/bbox.c','../../../lib/utils/bbox.pyx'],
               include_dirs = [np.get_include(), '/lib/utils'], 
               extra_compile_args=[], )

加完這些程式碼之後的Setup.py程式碼情況如下：

然後重新進行編譯，

C:\Users\WWWW>g:

G:\>cd G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\data\coco\PythonAPI

G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\data\coco\PythonAPI>python setup.py build_ext --inplace

G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\data\coco\PythonAPI>python setup.py build_ext install

編譯成功之後在相應資料夾下，生成一個新的cython_bbox的檔案（這裡是針對Py36的版本）。我們將這個檔案放入對應位置：

然後把 G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\data\coco\PythonAPI\build\lib.win-amd64-3.6\lib\utils\cython_bbox.cp36-win_amd64.pyd這個檔案複製到 G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\lib\utils\目錄下

下載PyCoco database

可以在這裡下載：http://host.robots.ox.ac.uk:8080/pascal/VOC/voc2007/#devkit

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

將下載後的三個壓縮包解壓到同一個資料夾下，以WinRAR為例，同時選中三個壓縮包，右鍵，然後選擇解壓到當前資料夾

可以得到VOCDevkit資料夾，將VOCDevkit重新命名為VOCDevkit2007，然後將這個資料夾拷貝到你自己的Faster-RCNN中data目錄下。

我的放置後的目錄結構見下文，供參考：

----\data\VOCDevkit2007\create_segmentations_from_detections.m
----\data\VOCDevkit2007\devkit_doc.pdf
----\data\VOCDevkit2007\example_classifier.m
----\data\VOCDevkit2007\example_detector.m
----\data\VOCDevkit2007\example_layout.m
----\data\VOCDevkit2007\example_segmenter.m
----\data\VOCDevkit2007\local
----\data\VOCDevkit2007\results
----\data\VOCDevkit2007\viewanno.m
----\data\VOCDevkit2007\viewdet.m
----\data\VOCDevkit2007\VOC2007
----\data\VOCDevkit2007\VOCcode
----\data\VOCDevkit2007\local\VOC2006
----\data\VOCDevkit2007\local\VOC2007
----\data\VOCDevkit2007\local\VOC2006\dummy
----\data\VOCDevkit2007\local\VOC2007\dummy
----\data\VOCDevkit2007\results\VOC2006
----\data\VOCDevkit2007\results\VOC2007
----\data\VOCDevkit2007\results\VOC2006\Main
----\data\VOCDevkit2007\results\VOC2006\Main\dummy
----\data\VOCDevkit2007\results\VOC2007\Layout
----\data\VOCDevkit2007\results\VOC2007\Main
----\data\VOCDevkit2007\results\VOC2007\Segmentation
----\data\VOCDevkit2007\results\VOC2007\Layout\dummy
----\data\VOCDevkit2007\results\VOC2007\Main\dummy
----\data\VOCDevkit2007\results\VOC2007\Segmentation\dummy
----\data\VOCDevkit2007\VOC2007\Annotations
----\data\VOCDevkit2007\VOC2007\ImageSets
----\data\VOCDevkit2007\VOC2007\JPEGImages
----\data\VOCDevkit2007\VOC2007\SegmentationClass
----\data\VOCDevkit2007\VOC2007\SegmentationObject
----\data\VOCDevkit2007\VOC2007\Annotations\000001.xml
----\data\VOCDevkit2007\VOC2007\Annotations\000002.xml
----\data\VOCDevkit2007\VOC2007\Annotations\000003.xml
----\data\VOCDevkit2007\VOC2007\Annotations\000004.xml
----\data\VOCDevkit2007\VOC2007\Annotations\000005.xml
...
----\data\VOCDevkit2007\VOC2007\Annotations\009962.xml
----\data\VOCDevkit2007\VOC2007\Annotations\009963.xml
----\data\VOCDevkit2007\VOC2007\ImageSets\Layout
----\data\VOCDevkit2007\VOC2007\ImageSets\Main
----\data\VOCDevkit2007\VOC2007\ImageSets\Segmentation
----\data\VOCDevkit2007\VOC2007\ImageSets\Layout\test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Layout\train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Layout\trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Layout\val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\aeroplane_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\aeroplane_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\aeroplane_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\aeroplane_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bicycle_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bicycle_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bicycle_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bicycle_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bird_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bird_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bird_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bird_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\boat_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\boat_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\boat_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\boat_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bottle_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bottle_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bottle_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bottle_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bus_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bus_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bus_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\bus_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\car_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\car_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\car_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\car_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cat_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cat_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cat_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cat_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\chair_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\chair_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\chair_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\chair_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cow_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cow_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cow_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\cow_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\diningtable_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\diningtable_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\diningtable_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\diningtable_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\dog_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\dog_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\dog_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\dog_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\horse_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\horse_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\horse_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\horse_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\motorbike_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\motorbike_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\motorbike_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\motorbike_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\person_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\person_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\person_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\person_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\pottedplant_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\pottedplant_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\pottedplant_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\pottedplant_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sheep_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sheep_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sheep_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sheep_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sofa_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sofa_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sofa_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\sofa_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\train_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\train_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\train_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\train_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\tvmonitor_test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\tvmonitor_train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\tvmonitor_trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\tvmonitor_val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Main\val.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Segmentation\test.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Segmentation\train.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Segmentation\trainval.txt
----\data\VOCDevkit2007\VOC2007\ImageSets\Segmentation\val.txt
----\data\VOCDevkit2007\VOC2007\JPEGImages\000001.jpg
----\data\VOCDevkit2007\VOC2007\JPEGImages\000002.jpg
----\data\VOCDevkit2007\VOC2007\JPEGImages\000003.jpg
----\data\VOCDevkit2007\VOC2007\JPEGImages\000004.jpg
...
----\data\VOCDevkit2007\VOC2007\JPEGImages\009962.jpg
----\data\VOCDevkit2007\VOC2007\JPEGImages\009963.jpg
----\data\VOCDevkit2007\VOC2007\SegmentationClass\000032.png
----\data\VOCDevkit2007\VOC2007\SegmentationClass\000033.png
----\data\VOCDevkit2007\VOC2007\SegmentationClass\000039.png
...
----\data\VOCDevkit2007\VOC2007\SegmentationClass\009947.png
----\data\VOCDevkit2007\VOC2007\SegmentationClass\009950.png
----\data\VOCDevkit2007\VOC2007\SegmentationObject\000032.png
----\data\VOCDevkit2007\VOC2007\SegmentationObject\000033.png
----\data\VOCDevkit2007\VOC2007\SegmentationObject\000039.png
...
----\data\VOCDevkit2007\VOC2007\SegmentationObject\009947.png
----\data\VOCDevkit2007\VOC2007\SegmentationObject\009950.png
----\data\VOCDevkit2007\VOCcode\PASemptyobject.m
----\data\VOCDevkit2007\VOCcode\PASemptyrecord.m
----\data\VOCDevkit2007\VOCcode\PASerrmsg.m
----\data\VOCDevkit2007\VOCcode\PASreadrecord.m
----\data\VOCDevkit2007\VOCcode\PASreadrectxt.m
----\data\VOCDevkit2007\VOCcode\VOCevalcls.m
----\data\VOCDevkit2007\VOCcode\VOCevaldet.m
----\data\VOCDevkit2007\VOCcode\VOCevallayout.m
----\data\VOCDevkit2007\VOCcode\VOCevalseg.m
----\data\VOCDevkit2007\VOCcode\VOCinit.m
----\data\VOCDevkit2007\VOCcode\VOClabelcolormap.m
----\data\VOCDevkit2007\VOCcode\VOCreadrecxml.m
----\data\VOCDevkit2007\VOCcode\VOCreadxml.m
----\data\VOCDevkit2007\VOCcode\VOCwritexml.m
----\data\VOCDevkit2007\VOCcode\VOCxml2struct.m

VGG16模型預訓練權重下載地址：http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

可以使用這個百度雲連結進行下載，

模型下載後解壓，放在上面的路徑下，沒有就建立一個資料夾。 "data\imagenet_weights\vgg16.ckpt"

注意：下載後的VGG16模型的名字是vgg_16.ckpt,將其改為vgg16.ckpt，不然後面會報錯。

接下來就是跑 train.py 了。

訓練得到的模型儲存在根目錄下的\default\voc_2007_trainval\default，中如下圖所示。模型訓練過程中每5000次迭代儲存一次，一共迭代40000次（max_iters）,可以加多一個0，改為400000。這些在config.py中可以自己設定。所以想要跑demo.py，先訓練吧。

然後就是開始訓練資料了，執行train.py.

訓練完成後，程式預設的模型儲存的路徑在下面這個位置。

Faster-RCNN-TensorFlow-Python3.5-master\default\voc_2007_trainval\default

下面就到了檢驗模型的時刻了，執行demo.py，不過在此之前需要將demo.py的第108行原來預設的res101，改成我們現在用的vgg16。就是下面這個位置。

如果改完上面直接執行demo.py還可能出現下面的問題，

OSError: output\vgg16\voc_2007_trainval+voc_2012_trainval\default\vgg16_faster_rcnn_iter_70000.ckpt.meta not found.

這個問題解決要兩步走，第一步是先修改一下訓練權重的的儲存位置，先新建一個名為output的資料夾，具體的檔名就按它報錯的位置跟著新建就行如下圖。

第二步就是後面那個迭代70000次的那個問題了，因為預設的最多迭代次數是40000次，所以不加修改前儲存的模型應該是最多儲存到40000次對應的模型的，需要將demo.py檔案中的第39行對應的迭代次數名給改一下，當然如果你之前訓練的模型裡面包含70000次這個，這步就是不必要的了。

然後就開始執行demo.py檔案了，

run python demo.py

首先在demo.py同級目錄下，建立一個這樣的目錄檔案：G:\Tensorflow\Faster-RCNN-TensorFlow-Python3.5-master\output\vgg16\voc_2007_trainval+voc_2012_trainval\default

然後將訓練完的模型移到該資料夾如面。如下圖所示：

然後，開啟demo.py, 將42行修改成如下：

修改前：
NETS = {'vgg16': ('vgg16_faster_rcnn_iter_10000.ckpt',), 'res101': ('res101_faster_rcnn_iter_110000.ckpt',)}
 
修改後：
NETS = {'vgg16': ('vgg16_faster_rcnn_iter_10000.ckpt',)}

將108行修改成如下：

修改前：parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='res101')
 
 
 
 
修改後：
parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='vgg16')

最後成功執行如下：

遇到的各種問題：

出現的錯誤這裡基本都包括了，我就不自己寫啦

http://blog.csdn.net/JiaJunLee/article/details/50373815

py_faster_rcnn識別出來的結果好多紅框重疊　　

py_faster_rcnn識別出來的結果好多紅框重疊， 可以通過調節demo.py中的NMS_THRESH的值進行限制。

NMS_THRESH表示非極大值抑制，這個值越小表示要求的紅框重疊度越小，0.0表示不允許重疊。有時候0.3會有好多重疊

92行  NMS_THRESH = 0.1

訓練自己的資料集

如何使用faster rcnn訓練自己的模型，然後識別圖片，可以參考下一篇部落格：

Windows下使用Faster RCNN訓練自己的模型

參考 https://blog.csdn.net/samylee/article/details/51201744

https://blog.csdn.net/char_QwQ/article/details/80980505

https://blog.csdn.net/Best_Coder/article/details/76577544

自己資料集的製作

xml檔案的製作需要labelImg軟體的幫助，這裡提供在window下的exe包，開啟即可使用

wget https://github.com/pprp/DL/blob/master/LabelIMG.zip

使用方法：

Ctrl + u  載入目錄中的所有影象，滑鼠點選Open dir同功能
Ctrl + r  更改預設註釋目標目錄(xml檔案儲存的地址) 
Ctrl + s  儲存
Ctrl + d  複製當前標籤和矩形框
space     將當前影象標記為已驗證
w         建立一個矩形框
d         下一張圖片
a         上一張圖片
del       刪除選定的矩形框
Ctrl++    放大
Ctrl--    縮小
↑→↓←        鍵盤箭頭移動選定的矩形框

資料的放置結構（自己手動建立）

-data
    - VOCdevkit2007
        - VOC2007
            - Annotations (標籤XML檔案，用對應的圖片處理工具人工生成的)
            - ImageSets (生成的方法是用sh或者MATLAB語言生成)
                - Main
                    - test.txt
                    - trian.txt
                    - trainval.txt
                    - val.txt
            - JPEGImages(原始檔案)

Main中的四個txt檔案的製作

詳見附件二，注意要修改路徑位置，最好是絕對路徑

xmlfilepath = 'Annotations'  
txtsavepath = 'ImageSets\Main'

替換成自己的資料

參考 https://www.cnblogs.com/pprp/p/9465065.html

將製作好的資料按照以上的目錄結構進行放置

用你的Annotations，ImagesSets和JPEGImages替換…\Faster-RCNN-TensorFlow-Python3.5\data\VOCdevkit2007\VOC2007中對應資料夾

### 將原始程式碼修改為適配你自己的程式碼

Pascal_VOC.py，修改自己的標註的類別

self._classes = ('__background__',  # always index 0
                 'aeroplane', 'bicycle', 'bird', 'boat',
                  'bottle', 'bus', 'car', 'cat', 'chair',
                  'cow', 'diningtable', 'dog', 'horse',
                  'motorbike', 'person', 'pottedplant',
                  'sheep', 'sofa', 'train', 'tvmonitor')

將這些類別替換成你自己的類別。

self.__classes=('__background__',
'你的標籤1','你的標籤2',你的標籤3','你的標籤4')

demo.py, 修改為自己的標註類別

CLASSES = ('__background__',
            'aeroplane', 'bicycle', 'bird', 'boat',
            'bottle', 'bus', 'car', 'cat', 'chair',
            'cow', 'diningtable', 'dog', 'horse',
            'motorbike', 'person', 'pottedplant',
            'sheep', 'sofa', 'train', 'tvmonitor')

更改為：

CLASSES = ('__background__',
           '你的標籤1','你的標籤2',你的標籤3','你的標籤4')

1. demo.py 更改另外一處程式碼：
```
net.create_architecture(sess, "TEST", 21,tag='default', anchor_scales=[8, 16, 32])
```
  更改為：
```
net.create_architecture(sess, "TEST", 5,tag='default', anchor_scales=[8, 16, 32])
```
  原本的程式碼是有20類物體+背景，所以是21。把類別數改為，你的類別+背景。如果是隻檢測一類物體，那就改為2
Faster R-CNN:tf-faster-rcnn程式碼結構




Section 1: ./tf-faster-rcnn目錄:

├── data     //資料目錄主要儲存一些資料集比如VOC2007、coco等
│   ├── cache   //儲存一些資料集的訓練集和測試集的proposals,比如voc_2007_test_gt_roidb.pkl,格式[{ },{ },...,{ }]。程式首先從這讀取，如果檔案存在
                      //否則讀取.xml檔案得到proposal,同時在該目錄下生成對應的.pkl檔案  Note:訓練集合和測試集變化了，一定的先delete該目錄下的對應的.pkl檔案
│   ├── cache.tgz  
│   ├── coco        //Python COCO API. The code requires the API to access COCO dataset.      
│   ├── demo        //儲存幾張圖片(.jpg檔案)，用於演示demo
│   ├── imagenet_weights  //儲存在ImageNet資料集訓練好的分類模型(比如vgg16,res101),vgg16.ckpt和res101.ckpt
│   ├── readme.txt
│   ├── res101_voc_0712_80k-110k.tgz    //原檔名為voc_0712_80k-110k.tgz  faster-rcnn(res101)的模型壓縮檔案
│   ├── res101_voc_2007_trainval+voc_2012_trainval //由原名為voc_0712_80k-110k.tgz解壓出來的，faster-rcnn(res101)的模型
│   ├── scripts                 //包含fetch_faster_rcnn_models.sh,該指令碼可用來下載訓練好的faster-rcnn模型
│   ├── vgg16_voc_0712_80k-110k.tgz     //原檔名為voc_0712_80k-110k.tgz  faster-rcnn(vgg16)的模型壓縮檔案             
│   ├── vgg16_voc_2007_trainval+voc_2012_trainval  //由原名為voc_0712_80k-110k.tgz解壓出來的，faster-rcnn(vgg16)的模型
│   ├── VOCdevkit       //PASCAL VOC 2007資料集開發工具箱
│   ├── VOCdevkit2007 -> VOCdevkit   //軟連線
│   └── wget-log      //下載模型的日誌檔案
├── lib    //
│   ├── datasets   //基類imdb  針對具體資料集的派生類如pascal_voc  coco 
│   ├── layer_utils  //與anchor proposal相關
│   ├── Makefile
│   ├── model   //config配置檔案   nms bbox test train_val等
│   ├── nets    //基類Network，針對具體網路的派生類(如mobilenet_v1，resnet_v1，vgg16)
│   ├── nms     //c和cuda的加速程式碼，生成共享庫(.so)
│   ├── roi_data_layer  //RoI層
│   ├── setup.py  //用於構建Cython模組
│   └── utils  //一些輔助工具，計時、視覺化 
├── LICENSE
├── output  //儲存訓練模型和測試結果 具體見section 2.
│   ├── res101
│   └── vgg16
├── README.md
├── run_demover1.sh   //演示demo
├── run_test.sh       //測試
├── run_train.sh      //訓練+測試
├── tensorboard       //視覺化tensorboard
│   ├── res101
│   └── vgg16
└── tools
    ├── convert_from_depre.py
    ├── demo.py      
    ├── demover1.py      //demo
    ├── _init_paths.py
    ├── _init_paths.pyc
    ├── __pycache__
    ├── reval.py     
    ├── test_net.py      //測試
    └── trainval_net.py  //訓練

 
Section 2: /tf-faster-rcnn/output目錄

├── res101   //在faster-rcnn(res101)
│   ├── voc_2007_test    //測試結果，按類別儲存的.pkl檔案
│   │   └── default
│   ├── voc_2007_trainval   //訓練的模型儲存在該資料夾下
│   │   └── default
│   └── voc_2007_trainval+voc_2012_trainval  //在voc_07+voc_12上訓練好的faster-rcnn(res101)模型 從/data目錄下軟連結過來的
└── vgg16
    ├── voc_2007_test     //測試結果，按類別儲存的.pkl檔案
    │   └── default
    ├── voc_2007_trainval  //訓練的模型儲存在該資料夾下
    │   └── default
    └── voc_2007_trainval+voc_2012_trainval
        └── default -> ../../../data/vgg16_voc_2007_trainval+voc_2012_trainval/   //軟連結過來的faster-r

win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn編譯訓練

win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn

配置Faster-RCNN（網上找的的都是基於python3.5的，不支援py3.6，本文主要嘗試用py3.6配置）

基礎環境配置：

python3.5是必須的。我安裝了python3.66，but各種不行。如果你安裝python3.5，估計都沒什麼問題了，如果你不想折騰，你就安裝一個python3.5，如果想和我一樣折騰一下，就繼續往下看。

自己資料集的製作

替換成自己的資料

win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn編譯訓練

[目標檢測]windows下實現c++版faster-rcnn

windows下實現c++版faster-rcnn

【轉】Win10 64 位Tensorflow-gpu安裝（VS2017+CUDA9.2+cuDNN7.1.4+python3.6.5）

win10環境下使用Anaconda3配置安裝TensorFlow-gpu-1.11（win10+Python3.6+vs2015+CUDA9.0+cuDNN7.1+anaconda3+Spyder）

WIN10+MX150+VS2013安裝CUDA9.2

Docker 下執行 Tensorflow

實驗室配置深度學習環境ubuntu17.10 + cuda9.2 + cudnn 7 + tensorflow

物體識別，Win7下執行TensorFlow Object Detection API詳細版教程(零基礎操作)

解決MFC下執行緒建立的一個編譯錯誤

Faster RCNN演算法訓練程式碼解析（2）

deepin下解決Tensorflow 使用時cpu編譯不支援警告

tf版faster rcnn執行

tensorflow版本faster-rcnn-CPU, ubuntu, Python3.5配置記錄

Windows下安裝TensorFlow Object Detection API，訓練自己的資料集

Ubuntu下跑通py-faster-rcnn、詳解demo運作流程

[更新時間:2018.11.9]Win10 +VS2017+ python3.66 + CUDA9.2 + cuDNNv7.2.1 + tensorflow-gpu 1.12.0 最新版

tensorflow GPU版安裝（win10系統，anaconda3.4.2，python3.5， GTX1050，CUDA9.0

win10 + python3.6 + tensorflow-gpu 1.8 下安裝 CUDA9.0 +CUDNN7.1.4

WIN10下PyCharm+Anaconda+PyTorch-GPU+CUDA9.2+cuDNN7.2環境搭建

win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn編譯訓練

win10+python3.66+vs2017+cuda9.2下執行tensorflow版的faster-Rcnn

配置Faster-RCNN（網上找的的都是基於python3.5的，不支援py3.6，本文主要嘗試用py3.6配置）

基礎環境配置：

python3.5是必須的。我安裝了python3.66，but各種不行。如果你安裝python3.5，估計都沒什麼問題了，如果你不想折騰，你就安裝一個python3.5，如果想和我一樣折騰一下，就繼續往下看。

自己資料集的製作

替換成自己的資料

相關推薦