商务网站安全方案设计_游戏代理平台哪个好_seo站内优化包括_销售方案怎么做

此处用的FasterRCNN模型使用的是B导的源码，读者可以去B站搜B导的视频进行了解和学习，视频中B导非常细心讲解了如何训练自己的数据集以及预测。

文章目录

前言
一、准备数据集
二、环境配置
- 2.1 基础环境
- 2.2 其他依赖包安装
- 2.3 预训练权重下载
二、训练数据集
三、预测
结束语

前言

此实验的整个流程参考了B导的博客：睿智的目标检测27——Pytorch搭建Faster R-CNN目标检测平台以及另一个博主的：对比实验系列：Faster R-CNN配置及训练自己数据集

B导的源码：https://github.com/bubbliiiing/faster-rcnn-pytorch B站视频链接：https://www.bilibili.com/video/BV1BK41157Vs/

一、准备数据集

此源码数据集使用的是voc格式，因为我已经拥有yolo格式的数据集，故采用的是yolo格式转为voc格式。yolo2voc参考的这篇文章：将Yolo格式标注文件转换为VOC格式，如果是其他格式的可以自行查找数据集格式的相互转换的方式。

转换后得到数据集的如下分布：
在这里插入图片描述

ps：由于我已经对数据集进行划分了训练集和验证集，故直接生成的train.txt和val.txt。
然后使用源码中的voc_annotation.py生成2007_train.txt 2007_val.txt（如果你的情况和我一样是已经划分好训练集验证集的，只需要生成2007_train.txt 2007_val.txt，就在voc_annotation.py中设置mode=2，类别设置为自己的类别。
在这里插入图片描述
classes_path：按着顺序将自己数据集的类别写入

如果你并未划分，想随机分可以直接将mode=0，直接随机划分并生成相应的2007_train.txt 2007_val.txt。这两个文件包含图片的位置信息、图片中包含的目标信息。

就这样，数据集准备完成。

二、环境配置

2.1 基础环境

建议新建一个环境

conda create -n rcnn python=3.8 -y

conda activate rcnn

pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

2.2 其他依赖包安装

进入项目源码，点击终端运行

pip install -r requirements.txt

注意：安装requirements.txt的时候会报一些错，经试验，我将这两个修改为≥即可
在这里插入图片描述

2.3 预训练权重下载

将预训练权重下载至项目里面，可以在github上进行下载。

二、训练数据集

进入train.py修改超参数，主要修改这些，其他超参数可以根据情况自行调整。
classes_path为自己数据集的标签路径
model_path为预训练权重路径
调整冻结训练和非冻结训练的batch、线程数num_workers
train_annotation_path和val_annotation_path为第一部分生成的图片索引文件
在这里插入图片描述
开始训练