win10+Tensorflow+FasterRCNN⽬标检测（2）训练⾃⼰的数
据集
这⾥不再介绍VOC2007数据集，假设你已经制作好了⾃⼰的数据集。（我的数据集在其他博客中讲解）
注意：这篇博客是基于上述两篇博客tensorflow和faster rcnn版本的，如果不是⽤的上⾯的版本，那很可能这篇博客的⽅法是⾏不通的。
训练模型部分：
需要更改的主要有以下地⽅：
pycharm安装教程win101.在...\Faster-RCNN\data⽬录下，检查是否有个叫cache的⽂件夹，每次在训练模型前，建议清空这个⽂件夹⾥⾯的东西。
2.在...\Faster-RCNN\data⽬录下，将VOCDevkit2007替换成⾃⼰的数据集。（如果有需要，以后我在写如何制作⾃⼰的VOC数据集）
3.在...\Faster-RCNN\lib\config⽬录下，有个config.py⽂件，可以设置⼀些参数，⽐如learning_rate、ma
x_iters、batch_size、step_size等等，这个可以根据⾃⼰需求改。⽐如，显卡性能⼀般的话，可以适当降低batch_size，觉得默认设置的max_iters迭代次数不够的话，可以改成七万等。
4.在...\Faster-RCNN\lib\datasets⽬录下，有pascal_voc.py⽂件，这个是必须要更改的，代码中 self._classes要来指定识别的类别，如下所⽰
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')
这⾥需要替换成我们⾃⼰的，例如，我做这个深度学习是为了识别和提取⼤坝要素，因此，我替换成了下⾯这样
其中，background是需要我们保留的。
5.这样，就可以直接使⽤train.py训练⾃⼰的模型了。
识别部分：
我们已经使⽤⾃⼰的数据集训练得到了模型，接下来就是⽤模型识别⾃⼰的图⽚。
主要更改内容有以下：
1.在...\Faster-RCNN\data\demo⽬录下，将demo⽂件夹下的图⽚换成⾃⼰要识别的图⽚。
2.在demo.py代码的开头，同样使⽤了classes指定了识别的类别，默认和pascal_voc.py中是⼀样的，这⾥同样需要更改成⾃⼰的类别，例如我更改成了：
3.这样，就可以使⽤demo.py直接识别demo⽂件夹中包含的图⽚了。
demo.py中有个类别的数量也要更改，⽐如原来默认的是21，这⾥需要改成我们⾃⼰定义的类别数量+1，加1是背景。 然后demo.py不显⽰图⽚的原因是你在命令⾏⾥执⾏的，将demo.py放到pycharm⾥或者其他编译器⾥就好了
如果还有问题，建议看我前⼀篇博客，确保框架正确安装的基础上，先把demo跑通。
参考博客：
后两个链接有在解释Faster R-CNN:tf-faster-rcnn代码结构

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。