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
步驟四
修改程式碼:
1 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')
改為:
self.__classes=('__background__',
'你的標籤1','你的標籤2',你的標籤3','你的標籤4')
2.demo.py
1:
CLASSES = ('__background__' ,
'aeroplane', 'bicycle', 'bird', 'boat',
'bottle', 'bus', 'car', 'cat', 'chair',
'cow', 'diningtable', 'dog', 'horse',
'motorbike', 'person', 'pottedplant',
'sheep', 'sofa', 'train', 'tvmonitor')
改為
CLASSES = ('__background__',
'你的標籤1' ,'你的標籤2',你的標籤3','你的標籤4')
2:
net.create_architecture(sess, "TEST", 21,tag='default', anchor_scales=[8, 16, 32])
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
相關推薦
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
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
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
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
用自己的資料集訓練Mask-RCNN實現過程中的坑
本文僅僅是自己實現過程的筆記記錄,僅僅用來交流的。 在網上大量蒐集資料後,實現Mask-RCNN,但是過程中還是出現了很多很多的問題,所以將過程記錄如下,方便日後學習。 一、實驗前準備 1. COCO資料集 COCO的 全稱是Common Objects in COn
七扭八歪解faster rcnn(keras版)(四)
def get_data(input_path): all_imgs = {} classes_count = {} class_mapping = {} with open(input_path,'r') as f: pr
七扭八歪解faster rcnn(keras版)(一)
首先看流程圖 這裡的原始圖片經過conv layer提取出特徵圖,這個conv layer可以為vgg16或者其他卷積網路,然後特徵圖流向兩個通道,一個是RPN(region proposal network),先看這個分支 anchor有兩個引數,看程式碼(我拿的這個
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
TensorFlow實戰:Chapter-9下(DeepLabv3+在自己的資料集訓練)
基本配置 資料集處理 我的資料集是3分類問題,但因為資料集的保密協議,在後面的demo中我沒有放出原圖片,我會盡量將訓練細節寫出來。為了方便記錄,我又使用了CamVid資料集(從這裡下載)測試了一下。 資料集處理分成三大步: 標註資料 製作
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。
pytorch人臉識別——自己製作資料集
這是一篇面向新手的博文:因為本人也是新手,記錄一下自己在做這個專案遇到的大大小小的坑。 按照下面的例子寫就好了 import torch as t from torch.utils import data import os from PIL import Image import numpy as
深度學習(二)——從零自己製作資料集到利用deepNN實現誇張人臉表情的實時監測(tensorflow實現)
一、背景介紹 這篇文章主要參考我的上一篇文章:深度學習(一)——deepNN模型實現攝像頭實時識別人臉表情(C++和python3.6混合程式設計)。由於上一篇文章的模型所採用的資料集為fer2013,前面也介紹過這個基於這個資料集的模型識別人臉表情的準確率大概在70%左右
使用coco資料集,faster rcnn類方法訓練出錯解決
問題:在caffe框架下,使用coco資料集進行faster rcnn類方法訓練,得到如下錯誤: File "/data/zn/light_head_rcnn/script/py-RFCN-priv/tools/../lib/rpn/anchor_target_layer.
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
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
用自己的資料集訓練tf-ssd模型
資料集製作因為老闆接的豐田的一個專案,工廠那邊要求能識別出雨天打傘的行人、交通錐形桶、躺在地上的人等,PASCAL VOC的資料集類別裡沒這些,是滿足不了他們要求了,所以要去製作資料集訓練網路。我們去現場拍了些視訊,然後用我之前寫的一個指令碼解析,得到原始圖片,拿給實驗室的學
caffe自己製作資料集的時候出現的問題,及解決方法
Creating train lmdb... I0103 08:37:05.753677 4832 convert_imageset.cpp:86] Shuffling data I0103 08:37:05.753800 4832 convert_imageset.cpp:
用自己的資料訓練Faster-RCNN,tensorflow版本(一)
我用的Faster-RCNN是tensorflow版本,fork自githubFaster-RCNN_TF 1.1、環境配置 按照該專案中的README.md ,將需要的幾個依賴cython, python-opencv, easydict都安裝
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
基於Tensorflow, OpenCV. 使用MNIST資料集訓練卷積神經網路模型,用於手寫數字識別
基於Tensorflow,OpenCV 使用MNIST資料集訓練卷積神經網路模型,用於手寫數字識別 一個單層的神經網路,使用MNIST訓練,識別準確率較低 兩層的卷積神經網路,使用MNIST訓練(模型使用MNIST測試集準確率高於99%