faster_rcnn_pytorch

更快的rcnn和pytorch

注意：當我開始學習Pytorch時，我在這個項目中重新實現了更快的RCNN。然後，我在所有項目中都使用Pytorch。我仍然記得我花了一周的時間來弄清楚如何將CUDA代碼構建為Pytorch層:)。但是實際上，這不是一個很好的實現，我沒有獲得與原始CAFFE代碼相同的地圖。

該項目不再維護，並且可能與最新的Pytorch不兼容（0.4.0之後）。所以我建議：

• 如果您想自己更快地重新實現RCNN，您仍然可以閱讀和研究此代碼；
• 如果您想用自己的數據更快地訓練RCNN，則可以使用Ruotianluo或Dentectron.pytorch使用更好的Pytorch實現。

這是更快的RCNN的Pytorch實現。該項目主要基於py-faster-rcnn和tffrcnn。

有關R-CNN的詳細信息，請參考更快的R-CNN紙張：通過Shaoqing Ren，Kaiming He，Ross Girshick，Jian Sun的Shaoqing Ren進行實時對象檢測。

進步

• 向前檢測
• CPU上具有C擴展的ROI合併層（僅向前）
• GPU上的ROI合併層（前後）
• VOC2007的培訓
• tensroboard支持
• 評估

安裝和演示

0. 安裝要求（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存儲庫

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

2. 構建NMS和ROI_Pooling層的Cython模塊

    cd faster_rcnn_pytorch/faster_rcnn
   ./make.sh

3. 下載訓練有素的模型vggnet_fast_rcnn_iter_70000.h5（更新）並在demo.py中設置模型路徑

4. 運行演示python demo.py

Pascal VOC 2007的培訓

關注此項目（TFFRCNN）下載並準備培訓，驗證，測試數據和ImageNet預先訓練的VGG16模型。

由於該程序將數據加載到faster_rcnn_pytorch/data默認情況下，因此您可以將數據路徑設置為如下。

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

然後，您可以在train.py和.yml文件中的培訓參數中設置一些超參數。

現在，我在VOC07上獲得了0.661的地圖，而原始紙獲得了0.699的地圖。您可能需要調整在faster_rcnn/faster_rcnn.py中定義的損失函數。

用張板培訓

借助蠟筆，我們可以訪問張量板的可視化功率，以實現任何深度學習框架。

要使用Tensorboard，請安裝蠟筆（https://github.com/torrvision/crayon），然後在faster_rcnn/train.py中設置use_tensorboard = True 。

評估

在test.py中設置訓練有素的模型的路徑。

 cd faster_rcnn_pytorch
mkdir output
python test.py

許可證：麻省理工學院許可證（麻省理工學院）