使用Faster RCNN训练自己的数据

数据准备

先将自己的数据转成VOC数据集类似的数据，图片为jpg格式，标签为xml格式。

在Faster RCNN目录下的data文件夹下建立VOCdevkit2007文件夹，再在此文件夹下建立VOC2007文件夹，再在VOC2007文件夹下建立Annotations，ImageSets ， JPEGImages三个文件夹，Annotations文件夹下存放xml文件，ImageSets文件夹下建立Main文件夹下面存放train.txt，test.txt，val.txt与trainval.txt四个文件夹，JPEGImages里存放图片。

配置模型

修改train.prototxt和solver.prototxt

打开/py-faster-rcnn/models/pascal_voc/VGG16/faster_rcnn_end2end/train.prototxt，使用编辑器的查找替换功能，将其中的数字21替换成你自己的数据集类别数+1，将数字84替换成你自己的(数据集类别数+1)*4，这个文件中共有3处21，一处84需要替换；

在/py-faster-rcnn/models/pascal_voc/VGG16/faster_rcnn_end2end/solver.prototxt中，根据自己的实际情况修改，比如我只是的总训练迭代次数只设置了10000次，所以solver文件中，stepsize值我改成了6000。

修改pascal_voc.py

将/py-faster-rcnn/lib/datasets/pascal_voc.py中的约33行处的：

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')

改成自己的类别名称。

训练模型

以上准备工作完成后，在/py-faster-rcnn/目录下打开bash，执行：

python ./tools/train_net.py --gpu 0

Faster RCNN默认只能是单GPU进行训练，如果要实现多GPU训练需要另外配置修改一下Faster RCNN，重点参考https://github.com/TianSong1991/MLKP。Faster RCNN使用python进行训练，默认的Python layers的batch_size是1，而且不允许修改，需要改变的话也需要修改Faster RCNN，参考Faster RCNN的github。

测试模型

修改test.prototxt

扫描二维码关注公众号，回复： 4626193 查看本文章

打开/py-faster-rcnn/models/pascal_voc/VGG16/faster_rcnn_end2end/test.prototxt，使用编辑器的查找替换功能，将其中的数字21替换成你自己的数据集类别数+1，将数字84替换成你自己的(数据集类别数+1)*4，这个文件中共有1处21，一处84需要替换；

修改demo.py

训练得到的模型在这里：

将其复制到/py-faster-rcnn/data/faster_rcnn_models/目录下。
然后打开demo.py，将

CLASSES = ('__background__',
           'aeroplane', 'bicycle', 'bird', 'boat',
           'bottle', 'bus', 'car', 'cat', 'chair',
           'cow', 'diningtable', 'dog', 'horse',
           'motorbike', 'person', 'pottedplant',
           'sheep', 'sofa', 'train', 'tvmonitor')

改成自己的标签，将

NETS = {'vgg16': ('VGG16',
                  'VGG16_faster_rcnn_final.caffemodel'),

中的模型改成自己训练保存的模型。比如我修改的内容：

CLASSES = ('__background__', 'type1', 'type2', 'type3', 'type4', 'type5')

NETS = {'vgg16': ('VGG16',
                  'vgg16_faster_rcnn_iter_10000.caffemodel'),

将

prototxt = os.path.join(cfg.MODELS_DIR, NETS[args.demo_net][0],
                            'faster_rcnn_alt_opt', 'faster_rcnn_test.pt')

改成

prototxt = os.path.join(cfg.MODELS_DIR, NETS[args.demo_net][0],
                            'faster_rcnn_end2end', 'test.prototxt')

将

im_names = ['000456.jpg', '000542.jpg', '001150.jpg',
                '001763.jpg', '004545.jpg']

列表中的图片名改成自己要测试的图片名称，当然首先需要将相应的图片复制到/py-faster-rcnn/data/demo/目录下。

修改完成，在/py-faster-rcnn/目录下打开bash，执行

python ./tools/demo.py

没问题的话，就能顺利看到测试结果。