Mxnet(2)---faster-rcnn製作自己的資料集進行訓練
Mxnet自帶有faster-rcnn的例子，但是如果要用自己的資料進行訓練可能需要作一些更改，一個是類別的數目，一個數據的標籤。其實它的修改方式和py-faster-rcnn差不多。
**
1.環境的安裝可以參考
**
2.製作資料集
**
3.訓練
**
- 訓練前的準備
- 訓練和測試命令
3.1訓練前的準備
（1）VOCdevkit資料夾複製到rcnn目錄中的data資料夾裡面。
（2） 修改config.py和pascal_voc.py
修改config.py中的config.NUM_CLASSES = 你的類別數+1（1是背景）
修改pascal_voc.py中的self.classes = ['__background__',
'標籤1','標籤2'，'標籤n']
注意：訓練前把data\cache清空
3.2 訓練和測試命令
訓練命令：
bash script/vgg_voc07.sh 0,1 #0，1代表兩個gpu
結束後會在model你們生成模型檔案
在測試之前需要修改類別標籤：
測試命令：
python demo.py --prefix ./model/e2e-0010 -- 引數 --prefix後面跟模型檔案
引數 --image後面跟圖片
改變的就是這兩個引數，其他的一般不需要改變。
執行結束後會以result字尾結尾的圖片儲存到目錄中，如果需要顯示可以新增引數--vis
python demo.py --prefix ./model/e2e-0010 --epoch 0 --image 000013.jpg --gpu 0 --vis
附：QQ282617340
相關推薦
Mxnet(2)---faster-rcnn製作自己的資料集進行訓練
Mxnet自帶有faster-rcnn的例子，但是如果要用自己的資料進行訓練可能需要作一些更改，一個是類別的數目，一個數據的標籤。其實它的修改方式和py-faster-rcnn差不多。 **
網上爬取圖片製作成資料集進行訓練
一、用pthon爬取圖片 如圖： 建立一個資料夾，下放每一類的資料夾（我的絕對路徑是：/home/user/dataset/） 在每一個class下面，建立一個test.py檔案，用以爬取圖片 # coding=utf-8 """根據搜尋詞下載百度圖片"""
Tensorflow框架下Faster-RCNN實踐（一）——Faster-RCNN所需資料集製作（附程式碼）
最近剛實現了在Ubuntu16.04、Tensorfllow1.0下 Faster R-CNN 從資料製作到訓練再到利用生成的模型檢測的測試圖片的全過程，現在將具體的過程記錄在部落格，方便遇到困惑或者需要的朋友檢視。 製作資料集 利用Fast
製作自己的yolo2資料集進行訓練
說明 本文承接上一篇修改yolo2相關配置的部落格，用來說明如何製作自己的訓練資料，。主要流程就是手動標註目標資訊了，當然，圖片首先要自己準備好。 注意：本文的識別型別只有1類 工具 - 畫框程式 https://github.com/puzzledqs/BBox-Lab
faster rcnn中VOC資料集的標註工具labelImg的使用
labelImg資源 下載後並解壓，生成一個labelImg資料夾 Ubuntu 的原始碼安裝 軟體支援：python2.7以上,同時需要支援PyQt和lxml的支援 $ sudo apt-get install pyqt4-dev-too
Spark中元件Mllib的學習11之使用ALS對movieLens中一百萬條（1M）資料集進行訓練，並對輸入的新使用者資料進行電影推薦
1解釋 spark-1.5.2 資料集：http://grouplens.org/datasets/movielens/ 一百萬條（1M） 資料劃分： 將樣本評分表以key值切分成3個部分，分別用於訓練 (60%，並加入使用者評分), 校驗 (20
SSD-Tensorflow：利用KITTI資料集進行訓練
# Copyright 2015 Paul Balanca. All Rights Reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except
win10 tensorflow faster rcnn訓練自己的資料集（一、製作VOC2007資料集）
參考部落格：http://blog.csdn.net/gaohuazhao/article/details/60871886 一、關於VOC資料集： 1)JPEGImages資料夾 資料夾裡包含了訓練圖片和測試圖片，混放在一起 2)Annatations資料夾 資
windows下使用自己製作的資料集訓練faster-rcnn（tensorflow版）用於目標檢測
步驟一 步驟二 步驟三 用你的Annotations，ImagesSets和JPEGImages替換…\Faster-RCNN-TensorFlow-Python3.5\data\VOCdevkit2007\VOC2007中對應資料夾
使用pytorch版faster-rcnn訓練自己資料集
使用pytorch版faster-rcnn訓練自己資料集 引言 faster-rcnn pytorch程式碼下載 訓練自己資料集 接下來工作 參考文獻 引言 最近在復現目標檢測程式碼（師兄強烈推薦F
Ubuntu 16.04下利用tf-faster-rcnn在VOC或其他資料集上訓練自己的模型
暑期的時候有朋友問我如何配置tf-faster-rcnn，那會簡單寫了個steps.pdf。正好最近閒了下來，就把它彙總一下。 Introduction 這是一篇介紹如何使用tf-faster-rcnn在VOC和其他資料集訓練自己模型的筆記. 筆記中所有檔案的地
tf-faster-rcnn執行自己到資料集記錄
我只從遇到問題到地方開始記錄，沒有問題到地方按照作者的read me做下去即可。 1、執行到第3步，準備測試demo 時候出現問題 解決辦法：自己下載三個訓練資料集，然後解壓到tf-faster-rcnn根目錄下，並改名為VOCdevkit2007，然後放置到da
SSD目標檢測(2)：如何製作自己的資料集（詳細說明附原始碼）
前言：因為要依賴上一章SSD目標檢測(1)：圖片+視訊版物體定位（附原始碼）來訓練預測自己的資料集，所以建立自己的資料集是一個複雜且避不開的步驟，以下給出了製作自己的資料集所要經過的簡單步驟，而後也有更詳細的說明奉上。 VOC2007資料集簡介； 規定資料夾
Faster-RCNN 訓練自己資料集的坑記錄
主要照這篇部落格進行訓練配置，因為沒有GPU所以好多坑，CPU訓練可以參見這篇部落格 正所謂，跑通了的都一樣，錯誤千萬樣。按照教程來也是坑多 訓練： python train_faster_rcnn_alt_opt.py --net_name ZF --weights
py-faster-rcnn訓練自己資料集需要修改的引數
faster rcnn預設有三種網路模型ZF（小）、VGG_CNN_M_1024（中）、VGG16 （大） 訓練圖片大小為500*500，類別數1。 修改VGG_CNN_M_1024模型配置
Fast RCNN 訓練自己資料集 (2修改資料讀取介面)
Fast RCNN訓練自己的資料集 （2修改讀寫介面） 這裡樓主講解了如何修改Fast RCNN訓練自己的資料集，首先請確保你已經安裝好了Fast RCNN的環境，具體的編配編制操作請參考我的上一篇文章。首先可以看到fast rcnn的工程目錄下有個Lib目錄 這裡下面存在3個目錄分別是： datase
利用FCN-32s,FCN-16s和FCN-8s訓練自己製作的資料集
前言 之前寫過一篇部落格是製作自己的資料集利用FCN-32s模型訓練，對FCN-16s和FCN-8s訓練寫的比較粗略，所以寫這篇部落格主要是補充FCN-16s和FCN-8s訓練過程。 訓練前準備 在使用fcn之前需要配置caffe環境，可以參考win10+vs2013+caffe
Fast RCNN 訓練自己資料集 (1編譯配置)
FastRCNN 訓練自己資料集 (1編譯配置) FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開，過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fa
fast rcnn 訓練自己的資料集（訓練和檢測）
1.預訓練模型介紹 首先在data目錄下，有兩個目錄就是之前在1中解壓好 fast_rcnn_models/imagenet_models/ fast_rcnn_model資料夾下面是作者用fast rcnn訓練好的三個網路,分別對應著小、中、大型網路，大家可
windows10+GPU下caffe資料集Lmdb格式製作+訓練自己資料集
最近做人臉識別專案，想用到caffe訓練自己的資料，電腦作業系統為win10+GPU,這裡對caffe-windows配置、資料集製作、訓練資料都做一些介紹。（無GPU配置的看我這個部落格）。如果你用的是vs2015，那麼下面介紹的caffe不適合，要用BVLC wind