最近需要用到FCN来分割一些物体，所以一直在苦苦学习中，光是跑FCN就用了挺久的时间，最重要的是在数据集的格式上。现在做一下总结，针对小白。如果有错误希望能及时指出。谢谢！准备工作我用的是caffe和fcn，caffe可以从这里获得git clone https://github.com/BVLC/caffe.gitcaffe的安装可以根据我的另一片博客深度学习ssd配置并在VGG模型上训练自己的
首先我的使用的机器只安装了cuda 9.0，后来又重新配置了一个cuda 8.0，这里的配置方式参见2 当代码准备好了，你需要运行一下测试demo.py文件，然后遇到文件下载问题。能问题不大，不能参见这个链接，可以在百度云下载，，接着你就可以看到目标检测在给出的几张示例图片上的效果了。3 在pascal voc2007上做实验进行一遍训练，首先还是需要准备好数据集和预训练模型，
转载
2024-02-19 18:47:44
281阅读
一、训练(trainval)1. 制作voc格式的kitti数据集，并链接到data/数据集软链接 格式ln -s $VOCdevkit VOCdevkit2007我们的：（这三个都要链过去，只链一个1819不够的）cd data/
ln -s /home/zhaoxl/jiaqun/lujialin/data/VOCdevkit2018 VOCdevkit2018
ln -s /home/zha
转载
2024-05-07 18:14:24
85阅读
mmdetection的安装并训练自己的VOC数据集mmdetection的安装与VOC数据集的训练一. mmdetection的安装1.使用conda创建虚拟环境2.安装Cython3.安装mmcv4.安装pytorch5.安装mmdetection二. 使用mmdetection训练自己的VOC数据集1. 目录结构2. 修改class_names.py文件3. 修改voc.py文件4. 修改
1、fcos网络 在常见的计算机视觉任务中，个人认为检测是比较复杂的。主要原因也是anchor生成机制的原因，检测过程涉及anchor的尺寸scale和长宽比aspect radio等超参数的设置，检测框匹配，正负样本不均匀，计算复杂度高等等问题的解决。所以近年来anchor机制是检测里面的主流。 当然也有人开始挑战权威。提出了anchor-fr
【1】config.ini#配置文件
[base]
batchsize=10
ckptpath='./dowoload/weights_19.pth'
train_path="F:/PytorchTes/torchdeeplearnmodel/unetdata/train"
val_path="F:/PytorchTes/torchdeeplearnmodel/unetdata/val"【2】ma
前言：本文主要描述了如何使用现在热度和关注度比较高的Pytorch(深度学习框架)构建一个简单的卷积神经网络，并对MNIST数据集进行了训练和测试。MNIST数据集是一个28*28的手写数字图片集合，使用测试集来验证训练出的模型对手写数字的识别准确率。PyTorch资料：PyTorch的官方文档链接：PyTorch documentation，在这里不仅有 API的说明还有一些经典的
转载
2024-07-18 20:51:52
98阅读
数据准备先将自己的数据转成VOC数据集类似的数据，图片为jpg格式，标签为xml格式。在Faster RCNN目录下的data文件夹下建立VOCdevkit2007文件夹，再在此文件夹下建立VOC2007文件夹，再在VOC2007文件夹下建立Annotations，ImageSets ， JPEGImages三个文件夹，Annotations文件夹下存放xml文件，ImageSets文件夹下建立M
转载
2024-04-16 09:48:03
155阅读
pytorch模型训练函数整理——train.py一、模型训练——train.py1.1 分配硬件设备——torch.device1.2 原始数据划分——torch.utils.data.DataLoader1.3 RMSprop初始化——torch.optim.RMSprop()1.4 二分类损失函数——nn.BCEWithLogitsLoss()1.5 设置训练/评估模式——model.tr
转载
2023-08-11 14:13:22
127阅读
第一部分：制作自己的数据集 实验中我用的数据集是471张行人图片（由于部分原因，数据集不能公开，望大家见谅），标出其中的行人位置作为数据标签，所以我只检测了一类，原来的voc是检测20类的，这里我们为了做实验的方便，所以选择一类训练，加上背景为两类。 1、所需文件Annotations和ImageSets和JPEGImages文件夹名称，删除其中所有的文件（保留文件夹），并删除Segmenttat
转载
2024-05-13 16:25:06
72阅读
cvpr2017，凯明的大作 论文提出多尺度的物体检测算法，特征金字塔Feature Pyramid Network (FPN) 。原来多数的物体算法都是只采用顶层特征做预测，像faster RCNN系列，但是低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后
前言用深度学习做目标检测，经常会接触到pascal voc这个数据集。目前很多开源项目对数据的处理格式都采用和voc一样的格式，逐渐这成为了一种标准数据处理格式，这里记一次制作符合自己需求的VOC格式数据集。VOC数据集简介文件夹树结构└── VOCdevkit #根目录
└── VOC2007 #不同年份的数据集，这里只下载了2007的，还有2012等其它年份的
目录前言一，视频的处理1.1 视频准备1.2 切割视频为图片1.3 使用faster rcnn自动框人1.4 via标注图片二，数据集文件2.1 数据集文件总览2.2 annotations2.2.1 ava_train_v2.2.csv2.2.2 ava_val_v2.2.csv2.2.3 ava_val_excluded_timestamps_v2.2.csv2.2.4 ava_action
转载
2024-05-12 18:03:08
573阅读
1. 数据集视频准备本次训练以实验为目的，了解该框架的训练步骤，选取了1段30秒以上的关于打电话的视频。2. 视频抽帧目的：（1）1秒抽1帧图片，目的是用来标注，ava数据集就是1秒1帧（2）1秒抽30帧图片，目的是用来训练，据说因为slowfast在slow通道里1秒会采集到15帧，在fast通道里1秒会采集到2帧。以下是运行代码：video2img.pyimport os
impor
转载
2024-05-11 14:10:31
934阅读
我的环境： Ubuntu 18.04 + cuda 10.1 + pytorch=1.0.0 + torchvision=0.2.1 + python=3.6.2 代码参考的是github上大神的开源代码https://github.com/jwyang/faster-rcnn.pytorch Step一、下载安装1、首先代码下载，自己down或者git命令clone都可，需要
转载
2023-07-10 23:08:01
255阅读
以往的大多数教程都是数年前的Faster RCNN源码，因为旧环境和现有环境的不同，导致环境配置方面出现一系列问题。特别是利用setup.py或者make.sh配置所需的环境时，遇到并解决一个又一个的问题，遗憾的是，失败总是贯彻全局。解决方案：找到近年的Faster RCNN源码，观察是否需要setup.py，作为一个Lucky Boy，在此分享我的操作流程。 源码编写的非常棒！里面也详
转载
2023-12-06 20:35:02
164阅读
之前配置好了faster rcnn，生成了demo，激动死了，准备来试试自己的数据，今天先制作数据集~
1.首先制作需要的数据格式，在这里我是根据这篇博客来制作的，根据自己的要求做了少许的修改。对图像数据进行重命名的matlab程序如下：
clc;
clear;
maindir='E:\faster_rcnn-master\正样本\';
n
转载
2024-06-23 16:28:22
187阅读
源码地址：https://github.com/jwyang/faster-rcnn.pytorch环境：Ubuntu 16.04、python2.7或3.6，显卡GTX1080Ti，pytorch0.4.0，CUDA8.0一、环境配置：1.1、 系统环境：Ubuntu 16.04：安装教程：https://jingyan.baidu.com/article/3c48dd348bc005e10be
转载
2024-02-01 14:01:34
276阅读
在看了一些深度学习的目标检测的论文后，想着去用开源的代码去跑一下，看看实际的效果。于是小菜就想着直接把faster_rcnn用起来，包括前期的faster_rcnn安装和配置并运行其中的一个demo.py。后面是用自己的数据集训练faster_rcnn的模型。 1. 准备工作：1) 搭建caffe框架这个可以参考linux先搭建caffe的笔记。2) 安装第三方依赖包：Cython、 pyt
转载
2023-12-01 22:07:19
161阅读
对Faster RCNN的详解类文章实在是数都数不过来，这些详解类的文章大多是从网络结构角度出发，对于Faster RCNN的训练流程介绍的比较少。从我个人的经历来看，感觉单纯的理解网络结构对Faster RCNN理解的还不够透彻，尤其是生成有效anchor这一块。因此本文从Faster RCNN的训练流程这个角度出发，对Faster RCNN进行详解，重点对anchor相关的操作进行细致分支。本
转载
2024-07-05 06:31:49
155阅读
