0.前言

最近兩個星期，一直在看faster rcnn物體檢測，在一段折騰之后，總算能夠訓練自己的數據并進行物體檢測了。這篇博客就當作是對最近整個實驗過程的記錄吧。首先先從最開始如何配置py-faster-rcnn并訓練PASCALVOC2007開始講起，然后再對代碼和數據集進行修改實現自己數據的訓練與檢測。我的實驗平臺是Ubuntu14.04 LTS?

1.配置py-faster-rcnn

（1）這里，首先不用說的，大家肯定都已經在自己的機器上配好了caffe的環境，那各種依賴項的安裝就不必多說。在配置之前，需要安裝一下幾個Python包：cython，python-OpenCV和easydict

[python] view plaincopy

<pre?name="code"?class="python">pip?install?cython??

pip?install?easydict??

apt-get?install?python-opencv??

（2）從github上clone項目文件，注意：一定要在clone時加入--recursive參數，不然會很麻煩，也不要直接下載

[python] view plaincopy

<pre?name="code"?class="python">git?clone?--recursive?https://github.com/rbgirshick/py-faster-rcnn.git??

（3）Cython模塊的編譯

[python] view plaincopy

cd?py-faster-rcnn/lib??

make??

（4）Caffe和Pycaffe的編譯，在編譯之前，主要將makefile.config文件配置好，具體如何配置在你自己安裝caffe框架時肯定已經接觸過。這里也提供一個鏈接：實驗室歐大神的主頁Caffe + Ubuntu 15.04 + CUDA 7.5 新手安裝配置指南

[python] view plaincopy

cd?py-faster-rcnn??

make?all?-j8?&&?make?pycaffe??

（5）下載訓練好的模型，運行demo.py看效果

[python] view plaincopy

cd?py-faster-rcnn??

./data/scripts/fetch_faster_rcnn_models.sh??

./tools/demo.py?--net?ZF??

下載模型時，直接在腳本文件中復制URL使用迅雷下載更快。因為自己的電腦配置不是很高，所以就只實驗了ZF net的訓練效果。demo.py默認加載的模型是VGG16，運行時可以自己修改代碼，也可以加命令參數。

相信到了這一步，看到運行之后的結果是不是很開心呢，不過在我實驗過程中，執行demo.py時總是出現bug：

[plain] view plaincopy

<span?style="font-size:18px;">Loaded?network?/home/ubuntu/py-faster-rcnn/data/faster_rcnn_models/ZF_faster_rcnn_final.caffemodel????

F1008?04:30:16.139123?5360?roi_pooling_layer.cu:91]?Check?failed:?error?==?cudaSuccess?(8?vs.?0)?invalid?device?function??</span>??

抓耳撓腮查了好久資料終于找到問題所在：顯卡的計算能力不匹配，如何修改請看這里cudaSuccess（ 8 vs.0 ）

2.訓練PASCAL VOC 2007的數據

（1）下載pascal voc2007的訓練集，測試集和VOCdevkit

[plain] view plaincopy

<pre?name="code"?class="plain"><span?style="font-size:18px;">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</span>??

下載完成之后，將三個壓縮包解壓合并到一起。整體結構如下所示

$VOCdevkit/ # development kit $VOCdevkit/VOCcode/ # VOC utility code $VOCdevkit/VOC2007 # image sets, annotations, etc. # ... and several other directories ... 將VOCdevkit改名為VOCdevkit2007，然后放到data文件夾下，亦可以使用軟連接的方式，這里不再說明。

（2）下載預訓練好的ImageNet模型

cd py-faster-rcnn ./data/scripts/fetch_imagenet_models.sh

下載這個模型和之前的faster rcnn訓練好的模型時，不一定非要執行腳本，直接在腳本中找到資源的URL用迅雷下載更快。然后解壓到data文件夾即可。

（3）使用交替優化來訓練數據

cd py-faster-rcnn ./experiments/scripts/faster_rcnn_alt_opt.sh [GPU_ID] [NET] [--set ...] # GPU_ID is the GPU you want to train on # NET in {ZF, VGG_CNN_M_1024, VGG16} is the network arch to use # --set ... allows you to specify fast_rcnn.config options, e.g. # --set EXP_DIR seed_rng1701 RNG_SEED 1701 #例如命令./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc

默認的迭代次數是[80000, 40000, 80000, 40000]不過這對于我這種想看到實驗能否正常運行的人來說，實在要的等的太久，就在./tools/train_faster_rcnn_alt_opt.py中將迭代次數改為100吧

在程序運行到第一階段的第三部分“訓練fast r-cnn”時，很可能會報錯：out of memory ！根據我的經驗所得，修改./lib/fast_rcnn/config.py 中的圖片大小，論文中作者使用的是將短邊縮放為600 pixels，對于我的渣渣電腦而言是吃不消的，所以修改如下：

# Scales to use during training (can list multiple scales) # Each scale is the pixel size of an image's shortest side __C.TRAIN.SCALES = (450, ) # Max pixel size of the longest side of a scaled input image __C.TRAIN.MAX_SIZE = 750

如果對作者論文中其他實驗也感興趣的話，可以嘗試一下experiments文件夾中的其他訓練腳本。最后，所有的輸出結果都在output文件夾

接下將如何在本篇博客的基礎上訓練自己的數據集并進行檢測

未完待續。。。

總結

以上是生活随笔為你收集整理的py-faster-rcnn + ZF 实现自己的数据训练与检测(一)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。