您的位置: 首页  >  文章  >  tf-faster-rcnn[cpu]实现目标检测（三）训练自己的数据

tf-faster-rcnn[cpu]实现目标检测（三）训练自己的数据

分类: 文章 • 2023-04-07 15:44:59

在前两篇博客中我们分别配置了环境和进行了demo的测试,接下来我们训练自己的图像数据并进行检测.

(1)制作数据集

我们采用VOC2007的数据模板,进行数据制作

  • VOC2007数据文件图:
VOC2007
├── Annotations    #图像标签文件,是.xml格式
├── ImageSets   
│   ├── Layout
│   ├── Main    #训练和测试用到的数据文件
│   └── Segmentation
└── JPEGImages   #图像文件
#Layout和Segmentation文件在这里不需要

  • 采用labelimg进行图像标记.可以下载,直接运行可能会出现错误,先根据项目网址中的提示安装依赖文件,再运行.
    - 修改data/predefined_classes.txt文件,改成自己的类名
    - 运行程序,界面如下图所示:
    tf-faster-rcnn[cpu]实现目标检测（三）训练自己的数据
    - 点击Change Save Dir修改标签文件的保存目录
    - 点击Open Dir ,打开图片路径
    - 点击图片进行标注,如下图
    tf-faster-rcnn[cpu]实现目标检测（三）训练自己的数据
    详细的使用可以参考网上的其他说明.至此,标签数据我们已经做好.我们将制作的数据按照VOC2007的格式进行放入.

    -生成训练,测试数据.在这里,我们利用代码来生成

    import os
import random

def _main():
   trainval_percent = 0.5
   train_percent = 0.5
   xmlfilepath = 'Annotations'
   total_xml = os.listdir(xmlfilepath)

   num = len(total_xml)
   list = range(num)
   tv = int(num * trainval_percent)
   tr = int(tv * train_percent)
   trainval = random.sample(list, tv)
   train = random.sample(trainval, tr)

   ftrainval = open('ImageSets/Main/trainval.txt', 'w')
   ftest = open('ImageSets/Main/test.txt', 'w')
   ftrain = open('ImageSets/Main/train.txt', 'w')
   fval = open('ImageSets/Main/val.txt', 'w')

    for i in list:
       name = total_xml[i][:-4] + '\n'
       if i in trainval:
           ftrainval.write(name)
           if i in train:
               ftest.write(name)
           else:
               fval.write(name)
       else:
           ftrain.write(name)
   ftrainval.close()
   ftrain.close()
   fval.close()
   ftest.close()
   
if __name__ == '__main__':
   _main()

    将程序文件放在VOC2007文件夹下(本人是按照这个路径进行编写的),其中trainval_percent与 train_percent可以根据需要修改,随后执行,会生成四个文件

    /ImageSets/Main$ tree
.
├── test.txt
├── train.txt
├── trainval.txt
└── val.txt

    在VOC数据中,对图像的像素比例有一定的要求,因此我们将图像进行修改.代码如下:

    import cv2
import os

file_path='./JPEGImages/'
for filename in os.listdir(file_path):

   print(filename)
   img=cv2.imread(file_path+filename)

   size=cv2.resize(img,(500,375))
   cv2.imwrite(file_path+filename,size)
   if img is not None:
   	continue

    现在,我们自己的数据集总算是完成了,将制作好的数据集与原先的数据进行替换,就可以开始训练自己的模型了.

(2) 训练自己的数据模型

  • 在lib/pascal_voc.py文件中,修改类别参数
self._classes = ('__background__',  # always index 0
                 '#自己的类名'
  • 在train_faster_rcnn.sh和test_faster_rcnn.sh修改
ITEMS=#自己设置,本人设置为10000
  • 在项目根目录下执行
./experiments/scripts/train_faster_rcnn.sh 0 pascal_voc_0712 res101

此时会生成:output和tensorboard文件

output #生成的训练模型
└── res101
    ├── voc_2007_test
    │   └── default
    │       └── res101_faster_rcnn_iter_100
    │           ├── detections.pkl
    │           ├── license_pr.pkl
    │           └── _pr.pkl
    └── voc_2007_trainval+voc_2012_trainval
        └── default
            ├── checkpoint
            ├── res101_faster_rcnn_iter_10000.ckpt.data-00000-of-00001
            ├── res101_faster_rcnn_iter_10000.ckpt.index
            ├── res101_faster_rcnn_iter_10000.ckpt.meta
            ├── res101_faster_rcnn_iter_10000.pkl

tensorboard #可视化文件,可利用命令tensorboard --logdir=tensorborad/res101进行可视化观察
└── res101
    └── voc_2007_trainval+voc_2012_trainval
        ├── default
        │   ├── events.out.tfevents.1545706608.guo-ThinkPad-E550
        │   ├── events.out.tfevents.1545711447.guo-ThinkPad-E550
        │   ├── events.out.tfevents.1545732554.guo-ThinkPad-E550
        │   └── events.out.tfevents.1545818970.guo-ThinkPad-E550
        └── default_val
            ├── events.out.tfevents.1545706693.guo-ThinkPad-E550
            ├── events.out.tfevents.1545711504.guo-ThinkPad-E550
            ├── events.out.tfevents.1545732622.guo-ThinkPad-E550
            └── events.out.tfevents.1545819033.guo-ThinkPad-E550

(3)最后,就是测试了

修改demo.py

  • 修改类名
CLASSES = ('__background__',
           '#自己的类')
  • 修改模型
NETS = {'vgg16': ('vgg16_faster_rcnn_iter_70000.ckpt',),'res101': ('res101_faster_rcnn_iter_10000.ckpt',)}#其中的10000,是我自己的训练设置,个人要根据自己的设置修改,一定要和初始设置的参数一致
  • 修改测试图片
    原文是:
im_names=['#demo中图片的名称']

本人进行了修改,遍历文件夹下所有的图片进行读取,修改代码如下

im_path='#图片文件的路径'
im_names = os.listdir(im_path)
#这里的im_path是以项目的根路径进行设置的,此时如果你读取的不是demo或者demo下的文件夹,那就需要再修改一处
#im_file = os.path.join(cfg.DATA_DIR, 'demo', image_name)其中的demo就要根据自己的进行修改
  • 执行测试,执行命令
./tools/demo.py

在这里,如果图片太多,或者不想显示的时候,可以进行结果的保存,添加一行代码,如下:

demo(sess,net,im_name)
plt.savefig('./../data/demo-show/'+im_name)
#前面是路径,demo-show文件需要自己创建,也是以项目的根路径进行设置的
#im_name是图片原本的名称,所以在保存的时候,如果还是在测试图片的文件下进行保存,会被覆盖

(4)最后,就是小小的庆祝一下,总算是完成了…

这是本人自己的记录,其中可能遇到和大家不一样的问题,的如果有什么疑问,可以下方留言讨论!!!

相关推荐