2. 程式人生 > >目標檢測入門：tensorflow實現faster rcnn——TFFRCNN

目標檢測入門：tensorflow實現faster rcnn——TFFRCNN

阿新 • • 發佈：2019-02-07

1.需要下載的資料、程式碼、檔案：

資料：Pascal voc2007資料集

2.訓練和測試

直接使用論文訓練好的模型進行測試：demo.py(在faster_rcnn資料夾下)

  • 進入lib資料夾下進行make
cd ./lib
make
  • 在根目錄下新建model資料夾,將下載的VGGnet_fast_rcnn_iter_70000.ckpt檔案放在model資料夾下
  • 將faster_rcnn資料夾下的demo.py檔案移動到根目錄下，並修改demo.py
# 在import下新增以下兩行程式碼
import glob
plt.switch_backend('agg') 


# 將最後幾行程式碼改成如下形式：  
for im_name in im_names:
    print '~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~'
    print 'Demo for {:s}'.format(im_name)
    demo(sess, net, im_name)
    plt.savefig(im_name)

# plt.show()
  • 執行demo.py
python demo.py --model model/VGGnet_fast_rcnn_iter_70000.ckpt

自己訓練：train_net.py

  • 在data資料夾下新建pretrain_model資料夾，將下載的VGG_16.npy檔案放在pretrain_model資料夾下
  • 將下載的voc2007資料集放在data資料夾下並解壓，將解壓後的資料夾重新命名為VOCdevkit2007
  • 執行train_net.py
python ./faster_rcnn/train_net.py --gpu 0 --restore 0 --weights /root/hujiahui/TFFRCNN-master/data/pretrain_model//VGG_16.npy --imdb voc_2007_trainval --iters 70000 --cfg /root/hujiahui/TFFRCNN-master/experiments/cfgs/faster_rcnn_end2end.yml --network VGGnet_train --set EXP_DIR exp_dir

3.走過的坑：

 (1)tensorflow.python.framework.errors_impl.NotFoundError: ./lib/roi_pooling_layer/roi_pooling.so: undefined symbol: _ZTIN10tensorflow8OpKernelE，需要修改lib資料夾下的make.sh檔案，修改後如下：

#!/usr/bin/env bash
TF_LIB=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_lib())')
TF_INC=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_include())')
echo $TF_INC

CUDA_PATH=/usr/local/cuda/

cd roi_pooling_layer

nvcc -std=c++11 -c -o roi_pooling_op.cu.o roi_pooling_op_gpu.cu.cc \
	-I $TF_INC -D GOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -arch=sm_52

## if you install tf using already-built binary, or gcc version 4.x, uncomment the two lines below
#g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=0 -o roi_pooling.so roi_pooling_op.cc \
#	roi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64

# for gcc5-built tf
g++ -std=c++11 -shared -o roi_pooling.so roi_pooling_op.cc -D_GLIBCXX_USE_CXX11_ABI=0 \
	roi_pooling_op.cu.o -I $TF_INC -L $TF_LIB -ltensorflow_framework -D GOOGLE_CUDA=1 \
	-fPIC $CXXFLAGS -lcudart -L $CUDA_PATH/lib64
	
cd ..


# add building psroi_pooling layer
cd psroi_pooling_layer
nvcc -std=c++11 -c -o psroi_pooling_op.cu.o psroi_pooling_op_gpu.cu.cc \
	-I $TF_INC -D GOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -arch=sm_52

g++ -std=c++11 -shared -o psroi_pooling.so psroi_pooling_op.cc \
	psroi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64

## if you install tf using already-built binary, or gcc version 4.x, uncomment the two lines below
#g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=0 -o psroi_pooling.so psroi_pooling_op.cc \
#	psroi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64

cd ..

  (2)tensorflow.python.framework.errors_impl.NotFoundError: ./faster_rcnn/../lib/psroi_pooling_layer/psroi_pooling.so: undefined symbol: _ZTIN10tensorflow8OpKernelE，如果再次出現錯誤，需要繼續修改lib資料夾下的make.sh檔案，修改後如下：

#!/usr/bin/env bash
TF_LIB=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_lib())')
TF_INC=$(python -c 'import tensorflow as tf; print(tf.sysconfig.get_include())')
echo $TF_INC

CUDA_PATH=/usr/local/cuda/

cd roi_pooling_layer

nvcc -std=c++11 -c -o roi_pooling_op.cu.o roi_pooling_op_gpu.cu.cc \
	-I $TF_INC -D GOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -arch=sm_52

## if you install tf using already-built binary, or gcc version 4.x, uncomment the two lines below
#g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=0 -o roi_pooling.so roi_pooling_op.cc \
#	roi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64

# for gcc5-built tf
g++ -std=c++11 -shared -o roi_pooling.so roi_pooling_op.cc -D_GLIBCXX_USE_CXX11_ABI=0 \
	roi_pooling_op.cu.o -I $TF_INC -L $TF_LIB -ltensorflow_framework -D GOOGLE_CUDA=1 \
	-fPIC $CXXFLAGS -lcudart -L $CUDA_PATH/lib64
	
cd ..

# add building psroi_pooling layer
cd psroi_pooling_layer
nvcc -std=c++11 -c -o psroi_pooling_op.cu.o psroi_pooling_op_gpu.cu.cc \
	-I $TF_INC -D GOOGLE_CUDA=1 -x cu -Xcompiler -fPIC -arch=sm_52

g++ -std=c++11 -shared -o psroi_pooling.so psroi_pooling_op.cc -D_GLIBCXX_USE_CXX11_ABI=0\
	psroi_pooling_op.cu.o -I $TF_INC -L $TF_LIB -ltensorflow_framework -D GOOGLE_CUDA=1 \
	-fPIC $CXXFLAGS -lcudart -L $CUDA_PATH/lib64

## if you install tf using already-built binary, or gcc version 4.x, uncomment the two lines below
#g++ -std=c++11 -shared -D_GLIBCXX_USE_CXX11_ABI=0 -o psroi_pooling.so psroi_pooling_op.cc \
#	psroi_pooling_op.cu.o -I $TF_INC -fPIC -lcudart -L $CUDA_PATH/lib64

cd ..

(3)TypeError: exceptions must be old-style classes or derived from BaseException, not NoneType……(我覺得解決辦法有點麻煩，所以直接改了程式碼)，在lib/fast_rcnn/train.py檔案155行左右：

# load vgg16
if self.pretrained_model is not None and not restore:
    print
    'Loading pretrained model weights from {:s}'.format(self.pretrained_model)
    self.net.load(self.pretrained_model, sess, True)
    # try:
    #     print
    #     'Loading pretrained model weights from {:s}'.format(self.pretrained_model)
    #     self.net.load(self.pretrained_model, sess, True)
    # except:
    #     raise 'Check your pretrained model {:s}'.format(self.pretrained_model)

(4)如果在訓練階段忽視了所有的網路層，即ignore……，說明下載的VGG16.npy和論文中要求的VGG_imagenet.npy有些不同，需要對lib/networks/network.py中的load函式進行一下修改：

def load(self, data_path, session, ignore_missing=False):
    data_dict = np.load(data_path).item()
    for key in data_dict:
        with tf.variable_scope(key, reuse=True):
            for subkey in data_dict[key]:
                try:
                    # var = tf.get_variable(subkey)
                    # session.run(var.assign(data_dict[key][subkey]))
                    # print "assign pretrain model "+subkey+ " to "+key
                    var = tf.get_variable("weights")
                    session.run(var.assign(data_dict[key][0]))
                    var = tf.get_variable("biases")
                    session.run(var.assign(data_dict[key][1]))
                    print
                    "assign pretrain model " + " to " + key
                except ValueError:
                    print
                    "ignore " + key
                    if not ignore_missing:
                        raise

(5)缺少各種的環境配置，如yaml和skimage等：

sudo adpt-get install python-skimage
sudo adpt-get install python-yaml

相關推薦

目標檢測入門：tensorflow實現faster rcnn——TFFRCNN

1.需要下載的資料、程式碼、檔案： 資料：Pascal voc2007資料集 2.訓練和測試 直接使用論文訓練好的模型進行測試：demo.py(在faster_rcnn資料夾下) 進入lib資料夾下進行make cd ./lib make 在根目錄下新建

目標檢測入門之（三）RCNN系列：RCNN->SppNET->Fast-RCNN->Faster-RCNN

object detection，就是在給定的圖片中精確找到物體所在位置，並標註出物體的類別。object detection要解決的問題就是物體在哪裡，是什麼這整個流程的問題。然而，這個問題可不是那麼容易解決的，物體的尺寸變化範圍很大，擺放物體的角度，姿態不定，而且可以

語義分割與目標檢測入門：若干經典工作綜述

語義分割 從原理上來說，語義分割就是畫素級別的分類，傳統的方法也是直接按照這個思路來做的，效率比較低，而從FCN開始，語義分割有了相對比較專用的方法。 0. 重要的資料集：PASCAL VOC和COCO 1. FCN 用於影象（N×M）分類的網路前端用卷積層提取特徵，後端用全連線層進

【目標檢測】（三）Faster RCNN

Faster R-CNN與RCNN,fast RCNN最大的區別在於，提出RPN網路取代Selective Search演算法使得檢測任務可以由神經網路端到端地完成。fast RCNN先進行提取特徵再結合候選框進行後續步驟，這使得RCNN中重複特徵提取造成的計算量大的缺點得到了解決。而Faster-RCNN

目標檢測大菜鳥第一次Faster-RCNN DEMO（筆記）

說明：純菜鳥，師兄師姐指導，隨記 Faster-RCNN原始碼下載地址：        本次用到的是版本，在Linux下執行。  CPU！！        本文為在師兄blog（http://blog.csdn.net/ture_dream/article/det

深度學習目標檢測系列：faster RCNN實現|附python原始碼

目標檢測一直是計算機視覺中比較熱門的研究領域，有一些常用且成熟的演算法得到業內公認水平，比如RCNN系列演算法、SSD以及YOLO等。如果你是從事這一行業的話，你會使用哪種演算法進行目標檢測任務呢？在我尋求在最短的時間內構建最精確的模型時，我嘗試了其中的R-CNN系列演算法，如果讀者們對這方面的

學習筆記-目標檢測、定位、識別（RCNN，Fast-RCNN, Faster-RCNN，Mask-RCNN，YOLO，SSD 系列）

0. 前言 說到深度學習的目標檢測，就要提到傳統的目標檢測方法。 傳統的目標檢測流程： 1）區域選擇（窮舉策略：採用滑動視窗，且設定不同的大小，不同的長寬比對影象進行遍歷，時間複雜度高） 2）特徵提取（SIFT、HOG等；形態多樣性、光照變化多樣性、背景多樣性使得特徵魯棒性差）

基於DL的目標檢測技術：R-CNN、Fast R-CNN、Faster R-CNN

目標檢測：在給定的圖片中精確找到物體所在位置，並標註出物體的類別。 目標檢測=影象識別（CNN）+定位（迴歸問題/取影象視窗） 遇到多物體識別+定位多個物體？ 用選擇性搜尋找出可能含有物體的框（候選框）判定得分。這些框之間是可以互相重疊互相包含的，從而避免暴力列舉的所有框了。 1.R

常用目標檢測演算法：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

一、目標檢測常見演算法         object detection，就是在給定的圖片中精確找到物體所在位置，並標註出物體的類別。所以，object detection要解決的問題就是物體在哪裡以及是什麼的整個流程問題。

基於神經網路的目標檢測論文之目標檢測系統：實時路況檢測系統的設計與實現

注：本文源自本人的碩士畢業論文，未經許可，嚴禁轉載！ 原文請參考知網：知網地址 第五章 實時路況檢測系統的設計與實現 物體識別技術被廣泛應用於人們的生產生活中。隨著深度學習與雲端計算的飛速發展，帶動了物體識別技術產生質的飛躍。高解析度影象和檢測的實時性要求越來越

目標檢測演算法：RCNN、YOLO vs DPM

以下內容節選自我的研究報告。 1. 背景 目標檢測（object detection）簡單說就是框選出目標，並預測出類別的一個任務。它是一種基於目標幾何和統計特徵的影象分割，將目標的分割和識別合

帶你深入AI（4）- 目標檢測領域：R-CNN，faster R-CNN，yolo，SSD, yoloV2

系列文章，請多關注 Tensorflow原始碼解析1 – 核心架構和原始碼結構 自然語言處理1 – 分詞 帶你深入AI（1） - 深度學習模型訓練痛點及解決方法 帶你深入AI（2）- 深度學習啟用函式，準確率，優化方法等總結 帶你深入AI（3）- 物體分類領域：AlexNet VGG I

基於深度學習的目標檢測演算法：Faster R-CNN

問題引入：         R-CNN、SPP net、Fast R-CNN等目標檢測演算法，它們proposals都是事先通過selecetive search方法得到。然而，這一過程將耗費大量的時間，從而影響目標檢測系統的實時性。Faster R-CNN針對這一問題，提

實驗四：Tensorflow實現了四個對抗圖像制作算法--readme

嘗試 pda mode mini score one 而在 craft iter 文章來源：Github Four adversarial image crafting algorithms are implemented with Tensorflow. The four

實驗四：Tensorflow實現了四個對抗影象製作演算法--readme

文章來源：Github Four adversarial image crafting algorithms are implemented with Tensorflow. The four attacking algorithms can be found in attacks folder. The

目標檢測入門

原文連結  https://www.analyticsvidhya.com/blog/2018/06/understanding-building-object-detection-model-python/ 在外網上看到一篇非常好的目標檢測入門教程，特此翻譯過來，希望能對他人有所幫助，也加深下

SSD目標檢測(1)：圖片+視訊內的物體定位（附原始碼）

一、SSD用於圖片物體的定位與檢測 SSD原理介紹這一篇部落格對我的幫助比較大，很詳細的介紹了SSD原理，送給大家做了解 1、下載SSD框架原始碼 1.1

筆記：TensorFlow實現機器學習演算法的步驟

核心步驟： （1）定義演算法公式，也就是神經網路前向執行時的計算； （2）定義loss，選定optimizer，使用優化器優化loss； （3）開啟迭代的資料訓練操作； （4）計算準確率，做出評測。 【例】TensorFlow實現手寫數字識別 自己編寫的程式碼，親

Chrome外掛開發入門：如何實現一鍵上班賴皮

很多人介紹過Chrome外掛，但必須要說，外掛開發就是擺弄一個小玩具，第一要素是實用，其次是好玩。 單純羅列各種功能是非常無趣的。 所以把一篇舊文拿出來與大家分享。 人，活著就是為了賴皮。 作為一個合格的開發人員，把30%的時間用來賴皮（上班偷懶）是值得推薦的。 因為，如果你工作時間無法賴皮，

目標檢測安裝：SSD編譯時json_parser_read.hpp報錯

方法1： 報錯原因: json_parser_read.hpp:257:264: error: ‘type name’ declared as function returning an array escape 因為是在公共伺服器上，沒有許可權修改json_parse