Windows 下 TensorFlow 和 Faster rcnn 详细安装步骤（二）

Windows 下 TensorFlow Faster rcnn 详细安装步骤（一）

上一篇博客详细介绍了Windows系统下TensorFlow框架的搭建，这篇将继续介绍Faster rcnn算法的安装。

本文选择的Windows Faster rcnn python版本代码为 https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5

另外，你完全可以按照这篇的流程来，需要的安装包和数据我都放了链接，但有些很大，下载起来非常慢，因此我都下载下来放到了云盘里，如果需要的话，可以关注微信公众号：GIS咖啡，后台回复“tensorflow”，即可获取。

1. 确保TensorFlow和相关的依赖安装成功

2.下载faster rcnn程序包：下载链接，解压，然后可以看一下里面的readme

3.安装python依赖库（cython, python-opencv, easydict）

注意还是要在TensorFlow虚拟环境下安装

pip install cython

pip install python-opencv

pip install easydict

如果在安装python-opencv时失败，提示找不到相关的库，可以换一种安装方式：

在这个网站上http://www.lfd.uci.edu/~gohlke/pythonlibs/ 查找OpenCV，如下图，选择python3.5版本的，且与自己电脑系统匹配的安装包下载。

然后使用命令安装：

pip install C:\Users\master\Downloads\opencv_python-3.4.2-cp35-cp35m-win_amd64.whl

4. 在cmd中使用cd命令到解压后的文件夹下../data/coco/PythonAPI目录下，执行以下代码：

cd C:\Users\master\Downloads\Faster-RCNN-TensorFlow-Python3.5-master\Faster-RCNN-TensorFlow-Python3.5-master\data\coco\PythonAPI

python setup.py build_ext --inplace

python setup.py build_ext install

执行时如果报错 Unable to find vcvarsall.bat，建议安装visual studio 2015，安装时默认的语言是C#和VB，需要把C++也勾上。

附python版本与C++编译器版本对应关系图：

如果已经安装了VS 2015，检查VS安装目录下是否有vcvarsall.bat文件，例如我的路径为：D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC，如果没有此文件，表明安装时是默认安装的，还缺少C++编译文件，这个时候可以打开VS，新建项目，语言选择C++，此时VS会让你安装一个工具，安装后就好了。

5.下载VOC2007格式的数据集

下载地址：

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

将下载后的三个压缩包解压到同一个文件夹下，以WinRAR为例，同时选中三个压缩包，右键，然后选择解压到当前文件夹

可以得到VOCDevkit文件夹，将VOCDevkit重命名为VOCDevkit2007，然后将这个文件夹拷贝到你自己的Faster-RCNN中data目录下。

6.下载预训练的VGG16网络模型：

下载地址：http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

下载之后解压，文件重命名为vgg16.ckpt，新建文件夹imagenet_weights，把vgg16.ckpt放到imagenet_weights下，再将imagenet_weights文件夹拷贝到data文件夹下，

这样，VGG16网络模型的地址应该类似于这样：../data/imagenet_weights/vgg16.ckpt

7.现在就可以训练模型了：

在faster rcnn目录下运行命令：

python train.py

OK，搞定，这时候，就是在用VOCDevkit2007下的示例图片训练分类模型了。第一次运行时可能会报错说找不到matplotlib，scipy，PIL（对应的是pillow库）等，安装这些库就好了。另外，不管是CPU版本还是GPU版本的TensorFlow，建议是使用较低版本的，比如1.3。使用anaconda的好处就是，你随时可以新建一个虚拟环境，重新安装配置TensorFlow，不用去管python环境了。

8.模型训练结束后，在 ..\default\voc_2007_trainval\default目录下可以看到训练的模型

默认每5000次保存，一共迭代40000次（max_iters），这些在config.py中可以自己设置。

9.运行demo，在运行demo.py前在编辑器中对demo.py作些更改

tfmodel = os.path.join('output', demonet, DATASETS[dataset][0], 'default', NETS[demonet][0])

这句代码指向训练模型结果，但实际是不存在的，需要我们新建文件夹，并且拷贝上一步生成的模型到该文件夹下，为简化，直接把这句代码替换成自己的路径即可，例如：

tfmodel=r'D:\FasterRCNN\output\vgg16\voc_2007_trainval\default\vgg16_faster_rcnn_iter_40000.ckpt'

注意后缀是ckpt，关于tensorflow生成的ckpt模型，大家可以自行查阅相关的参考资料，这里简单介绍一下，ckpt模型实际包含三个部分，ckpt.meta保存graph结构，ckpt.index是一个string-string table，ckpt.data保存模型的所有变量值

另外，下面的代码中，--net输入参数默认改成vgg16，--dataset输入参数默认改成pascal_voc

def parse_args():
    """Parse input arguments."""
    parser = argparse.ArgumentParser(description='Tensorflow Faster R-CNN demo')
    parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='res101')
    parser.add_argument('--dataset', dest='dataset', help='Trained dataset [pascal_voc pascal_voc_0712]',
                        choices=DATASETS.keys(), default='pascal_voc_0712')
    args = parser.parse_args()

    return args

改成下面这样：

def parse_args():
    """Parse input arguments."""
    parser = argparse.ArgumentParser(description='Tensorflow Faster R-CNN demo')
    parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='vgg16')
    parser.add_argument('--dataset', dest='dataset', help='Trained dataset [pascal_voc pascal_voc_0712]',
                        choices=DATASETS.keys(), default='pascal_voc')
    args = parser.parse_args()

    return args

然后，就可以运行了，执行代码：

python demo.py

得到结果如下图：

另外，如何使用faster rcnn训练自己的模型，然后识别图片，可以参考下一篇博客：

Windows下使用Faster RCNN训练自己的模型

Windows 下 TensorFlow 和 Faster rcnn 详细安装步骤（二）

猜你喜欢