用ImageNet的資料集訓練Faster R-CNN

阿新 • • 發佈：2018-12-30

轉自：http://blog.csdn.net/jiajunlee/article/details/50470897

訓練結果

第一次訓練，ZF，30W張圖片，200類，迭代80k40K，mAP: 18.0%

問題彙總

總結：
- ImageNet訓練資料集部分標註缺失object標籤
- ImageNet訓練資料集object的寬高比過大
問題1: 訓練迭代過程假死狀態，假死程式碼斷self.solver.step(1)，是因為ImageNet有部分資料圖片的.xml標註檔案中缺少object標籤。點選檢視詳細討論
問題2: 訓練的資料集中object的寬高比有一定要求。否則會在RPN訓練迭代過程中報如下錯，原因是寬高比過大或者過小，產生的anchors在塞選inside_anchors的過程中沒有找到合適的anchor，使得overlaps只有0個元素。

anchor_target_layer.py”, line 137, in forward
gt_argmax_overlaps = overlaps.argmax(axis=0)
ValueError: attempt to get argmax of an empty sequence
- object的bounding box的寬高比
  - VOC2007：在0.117-15.500之間
  - ImageNet（ILSVRC2014）：在0.03-48.50之間
- 把資料的寬高比至少約束在0.117-15.500才能保證訓練
問題3: 訓練的資料集中image寬高不能太小。否則在做im_proposal的時候，發生假死現象。

用ImageNet的資料集訓練Faster R-CNN

轉自：http://blog.csdn.net/jiajunlee/article/details/50470897 訓練結果第一次訓練，ZF，30W張圖片，200類，迭代80k40K，mAP: 18.0% 問題彙總總結： ImageNet訓練資料集部分標註缺失

用自己的資料集訓練faster-rcnn時出現的一些問題及總結(五)

關於faster-rcnn的原理訓練流程及其資料集的製備，已經都已完成。那麼問題來了，“自己製備的資料集，比如說自己為了增強資料集，進行圖片翻轉操作，然後記錄座標這樣的資料集，在訓練的過程中出現的問題”一、在呼叫append_flipped_images函式時出現： asse

R-CNN：使用自己的資料訓練 Faster R-CNN 的 ResNet-50 模型

上次使用 Faster R-CNN 訓練了一個 VGG16 的網路，為了再提升識別的準確率，利用 ResNet 網路在同樣的資料上面訓練了多一次。一、訓練網路（一）下載 ResNet-50 的 prototxt 檔案（二）相關檔案修改 1.cd $FR

使用自己的資料訓練 Faster R-CNN 的 ResNet-50 模型

上次使用 Faster R-CNN 訓練了一個 VGG16 的網路，為了再提升識別的準確率，利用 ResNet 網路在同樣的資料上面訓練了多一次。一、訓練網路（一）下載 ResNet-50 的 prototxt 檔案（二）相關檔案修改 1

使用自己的資料訓練 Faster R-CNN 的 VGG-16 模型

最近在學習 Faster R-CNN 模型，為了瞭解其中網路的結構，利用 PascalVOC 資料集，來擴充套件網路的類別（原來有 20 類）。過程分為：資料準備 ==> 相關檔案修改 ==> 訓練網路 ==> 測試一、資料準備（一）下載資料集：

ChainerCV下用自己的資料集訓練Faster RCNN

一、ChainerCV ChainerCV，一個用於計算機視覺的深度學習實用庫。這個庫旨在通過 Chainer 簡易化計算機視覺的訓練和深度學習模型應用的過程。它包含計算機視覺模型的高質量實現，以及開展計算機視覺研究的必備工具集。當前，ChainerCV

windows下使用自己製作的資料集訓練faster-rcnn（tensorflow版）用於目標檢測

步驟一步驟二步驟三用你的Annotations，ImagesSets和JPEGImages替換…\Faster-RCNN-TensorFlow-Python3.5\data\VOCdevkit2007\VOC2007中對應資料夾

使用自己的資料集訓練faster-rcnn

在安裝完成caffe後，並且編譯完成github上的faster-rcnn python版之後，可以採用自己的資料來訓練faster-rcnn了。一，檔案修改： 1，在py-faster-rcnn目錄下，找到lib/datasets/pascal_vo

深度學習實踐經驗：用Faster R-CNN訓練Caltech資料集——訓練檢測

前言前面已經介紹瞭如何準備資料集，以及如何修改資料集讀寫介面來操作資料集，接下來我來說明一下怎麼來訓練網路和之後的檢測過程。修改模型檔案 faster rcnn有兩種各種訓練方式: Alternative training(alt-opt)

Faster R-cnn :訓練自己的資料集 caffe/python/windows 過程記錄

一、製作自己的資料集：為了方便直接新建與VOC2007一樣名稱的資料夾 VOC2007資料夾中包含： 1.Annotations中包含: .xml檔案是由labellmg.exe標定ground truth後生成的檔案： 2.ImageSets中包含：

Faster-R-CNN（Python）.2：COCO資料集annotation內容

[{"supercategory": "person", "id": 1, "name": "person"}, {"supercategory": "vehicle", "id": 2, "name": "bicycle"}, {"superca

tensorflow 用自己的資料集訓練CNN模型

最近用tensorflow訓練自己的模型的時候發現，tensorflow官網上所給的例子，都是用處理好資料格式的mnist資料或者其他格式的資料，所以在訓練自己的模型的時候的第一步就卡住了。所以上網搜尋了相關的資料之後便得出了相關的解決方案（有好幾種，這裡只說明一種，另外

Faster-RCNN+ZF用自己的資料集訓練模型(Python版本and MATLAB版本）

說明：本博文假設你已經做好了自己的資料集，該資料集格式和VOC2007相同。下面是訓練前的一些修改。 Faster-RCNN原始碼下載地址：本文用到的是版本，在Linux下執行。準備工作： 1.配置caffe

Faster R-CNN 資料集的檔案格式

通過標記影象獲得了影象特徵的座標，類名，為了給Faster R-CNN訓練資料集，需要把標註資料統一化成xml格式，該格式如下 <annotation> <folder>

Faster-RCNN+ZF用自己的資料集訓練模型(Python版本)

說明：本博文假設你已經做好了自己的資料集，該資料集格式和VOC2007相同。下面是訓練前的一些修改。 Faster-RCNN原始碼下載地址：本文用到的是Python版本，在Linux下執行。準備工作： 1.配置caffe 這個不多說，網上教程很多。

Faster R-CNN Tensorflow實現之資料集製作（2）--- xml檔案的讀寫修改

接著上一篇的文章繼續製作自己的資料集，由於需要將資料集弄成與VOC 2007資料集一樣的格式，需要自己手動標註資料，根據網上前輩的經驗，這裡使用了labelImg，版本用了windows_v1 .7.0，操作簡單方便。使用該軟體進行標註後將直接生成以與圖片名稱相同的.XML檔

YOLOv3+Faster R-CNN+SSD訓練和測試自己的資料

首先製作自己的資料集—VOC2007資料集製作，接下來就可以開始搞事情了.... 一：YOLOv3相關二：Faster R-CNN相關 Python原始碼：點選開啟連結三：SSD相關

R-FCN+ResNet-50用自己的資料集訓練模型(python版本)

說明：本文假設你已經做好資料集，格式和VOC2007一致，並且Linux系統已經配置好caffe所需環境（部落格裡教程很多），下面是訓練的一些修改。 py-R-FCN原始碼下載地址：也有Matlab版本：本文用到的是python版本。準備工作：（1）配

Faster R-CNN : end2end 和 alternative 訓練

文章目錄一、alternative 訓練二、end2end 訓練（一）訓練時間花費（二）端到端訓練 Fast R-CNN Faster R-CNN 實際上就是由 Fast R-CNN 和 RPN 兩個網路結

Faster R-CNN：用區域提案網路實現實時目標檢測

摘要最先進的目標檢測網路依賴於區域建議演算法來假設物體的位置.像sppnet[1]和快速r-cnn[2]這樣的進步減少了這些檢測網路的執行時間，將區域提案計算暴露為瓶頸。在本文中，我們引入了一個區域提案網路(RPN)，它與檢測網路共享全影象卷積特徵，從而實現了幾乎免費的區域提案。RPN是一個完

用ImageNet的資料集訓練Faster R-CNN

轉自：http://blog.csdn.net/jiajunlee/article/details/50470897

訓練結果

問題彙總

相關推薦