【目標檢測】用Fast R-CNN訓練自己的資料集超詳細全過程
目錄：
一、環境準備
二、訓練步驟
三、測試過程
四、計算mAP
寒假在家下載了Fast R-CNN的原始碼進行學習，於是使用自己的資料集對這個演算法進行實驗，下面介紹訓練的全過程。
一、環境準備
我這裡的環境是win10系統，pycharm + python3.7
二、訓練過程
1、下載Fast R-CNN原始碼
https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3
2、安裝擴充套件包
下載的原始碼中有一個 requirements.txt檔案，列出了需要安裝的擴充套件包名字。可以在cmd中直接執行以下程式碼：
pip install -r requirements.txt
或者使用pip命令一個一個安裝，所需要的擴充套件包有：cython、opencv-python、easydict、Pillow、matplotlib、scipy。
如果使用conda管理，按conda的下載方式也可以。
3、下載並新增預訓練模型
原始碼中預訓練模型使用的是VGG16，VGG16模型可點開下方連結直接下載：
http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz
下載的模型名字應該是vgg_16.ckpt，重新命名為vgg16.ckpt 後，把模型儲存在data\imagenet_weights\資料夾下。
也可以使用其他的模型替代VGG16，其他模型在下方連結中下載：
https://github.com/tensorflow/models/tree/master/research/slim#pre-trained-models
4、修改訓練引數
開啟原始碼的lib\config資料夾下的config.py檔案，修改其中一些重要引數，如：
（1）network引數
該引數定義了預訓練模型網路，原始碼中預設使用了vgg16模型，我們使用vgg16就不需修改，如果在上一步中使用其他模型就要修改。
（2）learning_rate
這個引數是學習率，如果設定太大就可能產生振盪，如果設定太小就會使收斂速度很慢。所以我們可以先預設為原始碼的0.001進行實驗，後期再取0.01或0.0001等多次實驗，找到執行後的相對最優值。
（3）batch_size
該引數表示梯度下降時資料批量大小，一般可以取16、32、64、128、256等。我個人的理解是，batch_size設定越大，訓練時梯度下降的速率更快，也具有更高的方向準確度，但更加消耗記憶體；batch_size設定越小，雖然節省記憶體，但訓練的速率比較慢，收斂效果也可能不是很好。所以在記憶體允許的情況下，儘量設定大一些。
（4）max_iters
max_iters引數表示訓練最大迭代的步數。原始碼中是40000，我實驗了4000和40000的步數，發現後來的測試結果中mAP值相差不大，以後會再繼續研究。這個引數可以先按照原始碼的40000進行（要跑好幾天。。。）
（5）snapshot_iterations
這個引數表示間隔多少迭代次數生成一次結果模型。
（6）roi_bg_threshold_low 和 roi_bg_threshold_high
這個引數表示在背景中被設定為ROI（感興趣區域，region of interest）的閾值。如果後面出現Exception: image invalid, skipping 這樣的報錯，將roi_bg_threshold_low引數修改為0.0會解決問題。
5、替換資料集
原始碼中的VOCDevkit2007資料夾存放的是資料集，我們將自己的資料集按照資料夾結構替換存放在VOCDevkit2007中。Annotations存放的是標籤的XML檔案，JPEGImages存放的是自己的資料集所有圖片，ImageSets\Main資料夾下儲存的是test.txt、train.txt、trainval.txt、validation.txt，分別是測試集、訓練集、訓練驗證集、驗證集的標籤檔名號。可以按照下圖的結構製作自己的資料集~
考慮到原始碼中沒有資料集劃分程式，這裡把劃分程式碼貼出來，替換成自己的各個檔案路徑後直接執行就可以自動生成所需的txt檔案啦。
# 資料集劃分集類
import os
from sklearn.model_selection import train_test_split
image_path = r'F:/111/data/VOCDevkit2007/VOC2007/JPEGImages'
image_list = os.listdir(image_path)
names = []
for i in image_list:
names.append(i.split('.')[0]) # 獲取圖片名
trainval,test = train_test_split(names,test_size=0.5,shuffle=446) # shuffle()中是圖片總數目
validation,train = train_test_split(trainval,test_size=0.5,shuffle=446)
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/trainval.txt','w') as f:
for i in trainval:
f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/test.txt','w') as f:
for i in test:
f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/validation.txt','w') as f:
for i in validation:
f.write(i+'\n')
with open('F:/111/data/VOCDevkit2007/VOC2007/ImageSets/Main/train.txt','w') as f:
for i in train:
f.write(i+'\n')
print('完成!')
6、生成所需檔案
在cmd中進入 ./data/coco/PythonAPI資料夾路徑，分別執行下面兩條命令：
python setup.py build_ext --inplace
python setup.py build_ext install
之後，在cmd中進入 ./lib/utils資料夾路徑，執行下面一條命令：
python setup.py build_ext --inplace
這樣，就生成訓練需要的檔案啦。
7、修改目標類別
開啟lib/datasets目錄中的pascal_voc.py檔案，第34行self._classes表示目標檢測的類別，將其修改為自己資料集的類別。注意不能修改 “_background_”，它表示圖片的背景。
8、刪除快取檔案
開啟原始碼中data/cache目錄，刪掉上一次訓練生成的.pkl快取檔案。開啟default/voc_2007_trainval/default目錄，刪掉上次訓練生成的模型。
注意以後每次訓練都要刪掉上述兩個資料夾中的快取檔案和模型，不刪會報錯的哦。
9、執行train.py檔案
做好上面所有步驟之後，就可以執行train.py檔案進行訓練啦。每次生成的模型都會儲存在default/voc_2007_trainval/default目錄下。
三、測試過程
1、新增訓練模型
新建Faster-RCNN-TensorFlow-Python3-master/output/vgg16/voc_2007_trainval/default目錄。把訓練生成的模型（default/voc_2007_trainval/default目錄下的四個檔案）複製到新建目錄下，並重命名為如下圖：
2、修改demo.py檔案
（1）修改目標類別
修改demo.py檔案中line32，CLASSES中的類別要修改為之前步驟中相同的類別。注意 “_background_”不要修改。
（2）修改網路模型
找到demo.py檔案中line35、line36，將其修改為如下圖所示：
（3）修改預訓練模型
找到demo.py檔案中line104，將其修改為'vgg16'，如下圖：
（4）修改測試圖片
找到demo.py檔案中的line148，改為自己測試用的幾張圖片名稱。注意和data/demo目錄下存放的測試圖片名字一致。
3、執行demo.py檔案
做好上述修改後，就可以執行demo.py檔案啦，能夠對新的測試圖片進行目標檢測。
四、計算mAP
mAP（mean Average Precision）, 即各類別AP的平均值，反映出一個目標檢測模型效能的總體精確度。
1、修改pascal_voc.py檔案
開啟pascal_voc.py檔案，找到line189，將"filename"內容修改為下圖：
2、修改demo.py檔案
開啟demo.py檔案，找到line31，新增兩個模組：
# 新增這兩個import from lib.utils.test import test_net from lib.datasets.factory import get_imdb
新增後如圖所示：
然後，找到最後一行plt.show()，在它上面新增兩行程式碼：
# 新增這兩行程式碼
imdb = get_imdb("voc_2007_trainval")
test_net(sess, net, imdb, 'default')
新增後如圖所示：
3、執行demo.py檔案
新建data/VOCDevkit2007/results/VOC2007/Main目錄，然後執行demo.py檔案，等待執行結束就能看到mAP指標的計算結果啦！貼出我自己模型的計算結果吧！
這次內容就分享到這裡了，希望與各位老師和小夥伴們交流學習~
&n