【目標檢測】用Fast R-CNN訓練自己的數據集超詳細全過程

• 2021 年 2 月 18 日
• 筆記
• Fast R-CNN, Python, 目標檢測

目錄：

一、環境準備

二、訓練步驟

三、測試過程

四、計算mAP

       寒假在家下載了Fast R-CNN的源碼進行學習，於是使用自己的數據集對這個演算法進行實驗，下面介紹訓練的全過程。

一、環境準備

       我這裡的環境是win10系統，pycharm + python3.7

二、訓練過程

1、下載Fast R-CNN源碼

      //github.com/dBeker/Faster-RCNN-TensorFlow-Python3

2、安裝擴展包

      下載的源碼中有一個 requirements.txt文件，列出了需要安裝的擴展包名字。可以在cmd中直接運行以下程式碼：

pip install -r requirements.txt

      或者使用pip命令一個一個安裝，所需要的擴展包有：cython、opencv-python、easydict、Pillow、matplotlib、scipy。

      如果使用conda管理，按conda的下載方式也可以。

3、下載並添加預訓練模型

      源碼中預訓練模型使用的是VGG16，VGG16模型可點開下方鏈接直接下載：

      //download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

      下載的模型名字應該是vgg_16.ckpt，重命名為vgg16.ckpt 後，把模型保存在data\imagenet_weights\文件夾下。

      也可以使用其他的模型替代VGG16，其他模型在下方鏈接中下載：

      //github.com/tensorflow/models/tree/master/research/slim#pre-trained-models

4、修改訓練參數

      打開源碼的lib\config文件夾下的config.py文件，修改其中一些重要參數，如：

（1）network參數

       該參數定義了預訓練模型網路，源碼中默認使用了vgg16模型，我們使用vgg16就不需修改，如果在上一步中使用其他模型就要修改。

（2）learning_rate

       這個參數是學習率，如果設定太大就可能產生振蕩，如果設定太小就會使收斂速度很慢。所以我們可以先默認為源碼的0.001進行實驗，後期再取0.01或0.0001等多次實驗，找到運行後的相對最優值。

（3）batch_size

       該參數表示梯度下降時數據批量大小，一般可以取16、32、64、128、256等。我個人的理解是，batch_size設定越大，訓練時梯度下降的速率更快，也具有更高的方向準確度，但更加消耗記憶體；batch_size設定越小，雖然節省記憶體，但訓練的速率比較慢，收斂效果也可能不是很好。所以在記憶體允許的情況下，盡量設定大一些。

（4）max_iters

       max_iters參數表示訓練最大迭代的步數。源碼中是40000，我實驗了4000和40000的步數，發現後來的測試結果中mAP值相差不大，以後會再繼續研究。這個參數可以先按照源碼的40000進行（要跑好幾天。。。）

（5）snapshot_iterations

       這個參數表示間隔多少迭代次數生成一次結果模型。

（6）roi_bg_threshold_low 和 roi_bg_threshold_high

       這個參數表示在背景中被設定為ROI（感興趣區域，region of interest）的閾值。如果後面出現Exception: image invalid, skipping 這樣的報錯，將roi_bg_threshold_low參數修改為0.0會解決問題。

5、替換數據集

       源碼中的VOCDevkit2007文件夾存放的是數據集，我們將自己的數據集按照文件夾結構替換存放在VOCDevkit2007中。Annotations存放的是標籤的XML文件，JPEGImages存放的是自己的數據集所有圖片，ImageSets\Main文件夾下保存的是test.txt、train.txt、trainval.txt、validation.txt，分別是測試集、訓練集、訓練驗證集、驗證集的標籤文件名號。可以按照下圖的結構製作自己的數據集~

       考慮到源碼中沒有數據集劃分程式，這裡把劃分程式碼貼出來，替換成自己的各個文件路徑後直接運行就可以自動生成所需的txt文件啦。

# 數據集劃分集類
import os
from sklearn.model_selection import train_test_split

image_path = r'F:/111/data/VOCDevkit2007/VOC2007/JPEGImages'
image_list = os.listdir(image_path)
names = []

for i in image_list:
    names.append(i.split('.')[0])     # 獲取圖片名
trainval,test = train_test_split(names,test_size=0.5,shuffle=446)   # shuffle()中是圖片總數目
validation,train = train_test_split(trainval,test_size=0.5,shuffle=446)

with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/trainval.txt','w') as f:
    for i in trainval:
        f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/test.txt','w') as f:
    for i in test:
        f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/validation.txt','w') as f:
    for i in validation:
        f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/train.txt','w') as f:
    for i in train:
        f.write(i+'\n')

print('完成!')

6、生成所需文件

      在cmd中進入 ./data/coco/PythonAPI文件夾路徑，分別運行下面兩條命令：

python setup.py build_ext --inplace

python setup.py build_ext install

      之後，在cmd中進入 ./lib/utils文件夾路徑，運行下面一條命令：

python setup.py build_ext --inplace

      這樣，就生成訓練需要的文件啦。

7、修改目標類別

       打開lib/datasets目錄中的pascal_voc.py文件，第34行self._classes表示目標檢測的類別，將其修改為自己數據集的類別。注意不能修改 「_background_」，它表示圖片的背景。

8、刪除快取文件

       打開源碼中data/cache目錄，刪掉上一次訓練生成的.pkl快取文件。打開default/voc_2007_trainval/default目錄，刪掉上次訓練生成的模型。

      注意以後每次訓練都要刪掉上述兩個文件夾中的快取文件和模型，不刪會報錯的哦。

9、運行train.py文件

      做好上面所有步驟之後，就可以運行train.py文件進行訓練啦。每次生成的模型都會保存在default/voc_2007_trainval/default目錄下。

三、測試過程

1、添加訓練模型

       新建Faster-RCNN-TensorFlow-Python3-master/output/vgg16/voc_2007_trainval/default目錄。把訓練生成的模型（default/voc_2007_trainval/default目錄下的四個文件）複製到新建目錄下，並重命名為如下圖：

2、修改demo.py文件

（1）修改目標類別

         修改demo.py文件中line32，CLASSES中的類別要修改為之前步驟中相同的類別。注意 「_background_」不要修改。

（2）修改網路模型

         找到demo.py文件中line35、line36，將其修改為如下圖所示：

（3）修改預訓練模型

         找到demo.py文件中line104，將其修改為’vgg16’，如下圖：

（4）修改測試圖片

       找到demo.py文件中的line148，改為自己測試用的幾張圖片名稱。注意和data/demo目錄下存放的測試圖片名字一致。

3、運行demo.py文件

       做好上述修改後，就可以運行demo.py文件啦，能夠對新的測試圖片進行目標檢測。

四、計算mAP

       mAP（mean Average Precision）, 即各類別AP的平均值，反映出一個目標檢測模型性能的總體精確度。

1、修改pascal_voc.py文件

       打開pascal_voc.py文件，找到line189，將”filename”內容修改為下圖：

2、修改demo.py文件

       打開demo.py文件，找到line31，添加兩個模組：

# 添加這兩個import
from lib.utils.test import test_net
from lib.datasets.factory import get_imdb

       添加後如圖所示：

       然後，找到最後一行plt.show()，在它上面添加兩行程式碼：

# 添加這兩行程式碼
imdb = get_imdb("voc_2007_trainval")
test_net(sess, net, imdb, 'default')

       添加後如圖所示：

3、運行demo.py文件

       新建data/VOCDevkit2007/results/VOC2007/Main目錄，然後運行demo.py文件，等待運行結束就能看到mAP指標的計算結果啦！貼出我自己模型的計算結果吧！

       這次內容就分享到這裡了，希望與各位老師和小夥伴們交流學習~