版权声明:https://blog.csdn.net/z0n1l2 https://blog.csdn.net/z0n1l2/article/details/84800843
编译方法
- 到lib目录下执行
make
- caffe-fast-rcnn目录下执行
cp Makefile.config.example Makefile.config
#编辑Makefile.config内容,启动WITH_PYTHON_LAYER := 1
make -j8 && make pycaffe
训练脚本
假设处理的目标是pascal_voc_object (object是关键字)
-
models/pascal_voc_object/目录中放置train.prototxt, solver.prototxt, test.prototxt
网络定义 -
models/pvanet/cfgs/pascal_voc_object/train.yml
pva特有的参数 -
data/pascal_voc_object/lit_pva_pretrained.caffemodel
预训练模型
部署数据集
- 定义数据集
编辑lib/datasets/factory.py
for year in ['object']:
for split in ['train', 'val', 'trainval', 'test']:
name = 'voc_{}_{}'.format(year, split)
__sets[name] = (lambda split=split, year=year: pascal_voc(split, year))
- 修改lib/datasets/pascal_voc.py
修改类别名字列表,注意类别名字必须和xml中一致! - 按照voc格式组织数据,放置在如下目录
data/VOCdevkitobject/VOCobject/ - 训练
python ./tools/train_net.py --gpu 0 --solver models/pascal_voc_object/solver.prototxt --iters 10000 --cfg=models/pvanet/cfgs/pascal_voc_object/train.yml
--imdb voc_object_trainval --weights data/pascal_voc_object/lite_pva_pretrained.caffemodel
备注
data/cache: 这里有些cache数据,更新数据集后,最好把这个目录里的pkl删除