faster_rcnn_pytorch

更快的rcnn和pytorch

注意：当我开始学习Pytorch时，我在这个项目中重新实现了更快的RCNN。然后，我在所有项目中都使用Pytorch。我仍然记得我花了一周的时间来弄清楚如何将CUDA代码构建为Pytorch层:)。但是实际上，这不是一个很好的实现，我没有获得与原始CAFFE代码相同的地图。

该项目不再维护，并且可能与最新的Pytorch不兼容（0.4.0之后）。所以我建议：

• 如果您想自己更快地重新实现RCNN，您仍然可以阅读和研究此代码；
• 如果您想用自己的数据更快地训练RCNN，则可以使用Ruotianluo或Dentectron.pytorch使用更好的Pytorch实现。

这是更快的RCNN的Pytorch实现。该项目主要基于py-faster-rcnn和tffrcnn。

有关R-CNN的详细信息，请参考更快的R-CNN纸张：通过Shaoqing Ren，Kaiming He，Ross Girshick，Jian Sun的Shaoqing Ren进行实时对象检测。

进步

• 向前检测
• CPU上具有C扩展的ROI合并层（仅向前）
• GPU上的ROI合并层（前后）
• VOC2007的培训
• tensroboard支持
• 评估

安装和演示

0. 安装要求（您可以使用PIP或ANACONDA）：

    conda install pip pyyaml sympy h5py cython numpy scipy
   conda install -c menpo opencv3
   pip install easydict
   

1. 克隆更快的R-CNN存储库

   git clone [email protected]:longcw/faster_rcnn_pytorch.git

2. 构建NMS和ROI_Pooling层的Cython模块

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. 下载训练有素的模型vggnet_fast_rcnn_iter_70000.h5（更新）并在demo.py中设置模型路径

4. 运行演示python demo.py

Pascal VOC 2007的培训

关注此项目（TFFRCNN）下载并准备培训，验证，测试数据和ImageNet预先训练的VGG16模型。

由于该程序将数据加载到faster_rcnn_pytorch/data默认情况下，因此您可以将数据路径设置为如下。

 cd faster_rcnn_pytorch
mkdir data
cd data
ln -s $VOCdevkit VOCdevkit2007

然后，您可以在train.py和.yml文件中的培训参数中设置一些超参数。

现在，我在VOC07上获得了0.661的地图，而原始纸获得了0.699的地图。您可能需要调整在faster_rcnn/faster_rcnn.py中定义的损失函数。

用张板培训

借助蜡笔，我们可以访问张量板的可视化功率，以实现任何深度学习框架。

要使用Tensorboard，请安装蜡笔（https://github.com/torrvision/crayon），然后在faster_rcnn/train.py中设置use_tensorboard = True 。

评估

在test.py中设置训练有素的模型的路径。

 cd faster_rcnn_pytorch
mkdir output
python test.py

许可证：麻省理工学院许可证（麻省理工学院）