加入CODE CHINA

· 不限速    · 不限空间    · 不限人数    · 私仓免费

免费加入
    README.md

    Faster-Rcnn:Two-Stage目标检测模型在Pytorch当中的实现


    目录

    1. 性能情况 Performance
    2. 所需环境 Environment
    3. 文件下载 Download
    4. 预测步骤 How2predict
    5. 训练步骤 How2train
    6. 评估步骤 How2eval
    7. 参考资料 Reference

    性能情况

    训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5
    VOC07+12 voc_weights_resnet.pth VOC-Test07 - - 77.87
    VOC07+12 voc_weights_vgg.pth VOC-Test07 - - 75.22

    所需环境

    torch == 1.2.0

    文件下载

    训练所需的voc_weights_resnet.pth或者voc_weights_vgg.pth可以在百度云下载。
    voc_weights_resnet.pth是resnet为主干特征提取网络用到的;
    voc_weights_vgg.pth是vgg为主干特征提取网络用到的;
    链接: https://pan.baidu.com/s/1-PtvHJGTvXJ5YYWs1hs9hQ 提取码: kdps

    VOC数据集下载地址如下:
    VOC2007+2012训练集
    链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9

    VOC2007测试集
    链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda

    预测步骤

    a、使用预训练权重

    1. 下载完库后解压,在百度网盘下载voc_weights_resnet.pth或者voc_weights_vgg.pth,放入model_data,运行predict.py,输入
    img/street.jpg
    1. 在predict.py里面进行设置可以进行fps测试和video视频检测。

    b、使用自己训练的权重

    1. 按照训练步骤训练。
    2. 在frcnn.py文件里面,在如下部分修改model_path、backbone和classes_path使其对应训练好的文件;model_path对应logs文件夹下面的权值文件,backbone对应主干特征提取网络的种类,classes_path是model_path对应分的类
    _defaults = {
        "model_path": 'model_data/voc_weights_resnet.pth',
        "classes_path": 'model_data/voc_classes.txt',
        "confidence": 0.5,
        "backbone": "resnet50"
    }
    1. 运行predict.py,输入
    img/street.jpg
    1. 在predict.py里面进行设置可以进行fps测试和video视频检测。

    训练步骤

    1. 本文使用VOC格式进行训练。
    2. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
    3. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
    4. 在训练前利用voc2frcnn.py文件生成对应的txt。
    5. 再运行根目录下的voc_annotation.py,运行前需要将classes改成你自己的classes。注意不要使用中文标签,文件夹中不要有空格!
    classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
    1. 此时会生成对应的2007_train.txt,每一行对应其图片位置及其真实框的位置
    2. 在训练前需要务必在model_data下新建一个txt文档,文档中输入需要分的类,示例如下:
      model_data/new_classes.txt文件内容为:
    cat
    dog
    ...
    1. 将train.py的NUM_CLASSSES修改成所需要分的类的个数(不需要+1),运行train.py即可开始训练。

    评估步骤

    评估过程可参考视频https://www.bilibili.com/video/BV1zE411u7Vw
    步骤是一样的,不需要自己再建立get_dr_txt.py、get_gt_txt.py等文件。

    1. 本文使用VOC格式进行评估。
    2. 评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
    3. 评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
    4. 在评估前利用voc2frcnn.py文件生成对应的txt,评估用的txt为VOCdevkit/VOC2007/ImageSets/Main/test.txt,需要注意的是,如果整个VOC2007里面的数据集都是用于评估,那么直接将trainval_percent设置成0即可。
    5. 在yolo.py文件里面,在如下部分修改model_path和classes_path使其对应训练好的文件;model_path对应logs文件夹下面的权值文件,classes_path是model_path对应分的类
    6. 运行get_dr_txt.py和get_gt_txt.py,在./input/detection-results和./input/ground-truth文件夹下生成对应的txt。
    7. 运行get_map.py即可开始计算模型的mAP。

    mAP目标检测精度计算更新

    更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
    get_map文件克隆自https://github.com/Cartucho/mAP
    具体mAP计算过程可参考:https://www.bilibili.com/video/BV1zE411u7Vw

    Reference

    https://github.com/chenyuntc/simple-faster-rcnn-pytorch
    https://github.com/eriklindernoren/PyTorch-YOLOv3
    https://github.com/BobLiu20/YOLOv3_PyTorch

    项目简介

    🚀 Github 镜像仓库 🚀

    源项目地址

    https://github.com/bubbliiiing/faster-rcnn-pytorch

    发行版本 1

    Weights of Faster Rcnn

    全部发行版

    贡献者 1

    B Bubbliiiing @Bubbliiiing

    开发语言

    • Python 100.0 %