fast rcnn训练自己数据小结

1.http://blog.csdn.net/hao529good/article/details/46544163   我用的训练好的模型参数是data/fast_rcnn__models/vgg_cnn_m_1024_fast_rcnn_iter_40000.caffemodel

2.

原来的代码是

raw_data = sio.loadmat(filename)[‘boxes‘].ravel()

但用我自己生成的.mat文件的名字是al_boxes

# for key in raw_data:          用print打印出来就看得到all_boxes
#     print key
raw_data = sio.loadmat(filename)[‘all_boxes‘].ravel()    

3. TypeError: Error when calling the metaclass bases

module.__init__() takes at most 2 arguments (3 given)

很奇怪的一个问题,将from .kakou import kakou与from .imdb import imdb换了位置就好了

http://blog.csdn.net/flybywind/article/details/7463296

时间: 2024-08-09 20:02:00

fast rcnn训练自己数据小结的相关文章

【CV论文阅读】 Fast RCNN

Fast RCNN的结构: 先从这幅图解释FAST RCNN的结构.首先,FAST RCNN的输入是包含两部分,image以及region proposal(在论文中叫做region of interest,ROI).Image经过深度网络(deep network)之后得到feature map,然后可以从feature map中找到ROI在其中的投射projection得到每个patch,但论文没有提及怎么在map中寻找对应的patch,估计可以通过位置关系找到(猜想,因为deep Conv

【目标检测】Fast RCNN算法详解

Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE International Conference on Computer Vision. 2015. 继2014年的RCNN之后,Ross Girshick在15年推出Fast RCNN,构思精巧,流程更为紧凑,大幅提升了目标检测的速度.在Github上提供了源码. 同样使用最大规模的网络,Faster RCNN和RCNN相比,训练时间从84小时减少为9.5小时,测试时间从47秒

RCNN学习笔记(4):fast rcnn

reference link: http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ http://blog.csdn.net/shenxiaolu1984/article/details/51036677 http://blog.csdn.net/qq_26898461/article/details/50906926 论文出处见:http://arxiv.org/abs/1504.08083 项目见:https://github.c

fast rcnn

fast rcnn开始训练和测试,rbg真是牛人,什么东西都整那么厉害,文章好,代码能力强. 总体来说,安装过程不复杂.就是代码的地方确实很有技巧的. 输入层,首先解决了很多人没有解决的问题,他输入的是一张图对应多个label,甚至是多维的.如果做别的工作可以在他的基础上改进. 然后就是end to end的训练,确实证实了end to end的好处. 最后还要回到他的代码上,代码的编写很赞,roipooling写的很赞.如果说io输入层写的稍微复杂了,毕竟他把所有的数据预处理都包含到一起了,那

RCNN,Fast RCNN,Faster RCNN 的前生今世:(2)R-CNN

Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作.作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂,2010年更带领团队获得终身成就奖,如今供职于Facebook旗下的FAIR. 这篇文章思路简洁,在DPM方法多年平台期后,效果提高显著.包括本文在内的一系列目标检测算法:RCNN,Fast RCNN, Faster RCNN代表当下目标检测的前沿水平,在github都给出了基于Caffe的源码 思想 本文解决了目标检测中的两个关键问题. 问题

第二十九节,目标检测算法之Fast R-CNN算法详解

Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE International Conference on Computer Vision. 2015. 继2014年的RCNN之后,Ross Girshick在15年推出Fast RCNN,构思精巧,流程更为紧凑,大幅提升了目标检测的速度.在Github上提供了源码. 之所以提出Fast R-CNN,主要是因为R-CNN存在以下几个问题: 训练分多步.通过上一篇博文我们知道R-CN

Fast R-CNN(RoI)简介

Fast R-CNN是一个基于区域的目标检测算法.Fast R-CNN建立在先前的工作之上,并有效地使用卷积网络分类目标建议框.与先前的工作相比,使用几点创新改善了训练和测试时间并增加了检测准确率. 2. Fast R-CNN结构和训练 图1展示了Fast R-CNN的结构.该网络输入一个完整的图像和一组目标建议框.首先用卷积和池化来产生一个特征图.然后,对每一个目标建议框使用RoI(Region of Interest)池化层从特征图提取一个固定长度的向量.每个特征向量送人两个兄弟般的全连接层

Fast R-CNN(理解)

0 - 背景 经典的R-CNN存在以下几个问题: 训练分多步骤(先在分类数据集上预训练,再进行fine-tune训练,然后再针对每个类别都训练一个线性SVM分类器,最后再用regressors对bounding box进行回归,并且bounding box还需要通过selective search生成) 时间和空间开销大(在训练SVM和回归的时候需要用网络训练的特征作为输入,特征保存在磁盘上再读入的时间开销较大) 测试比较慢(每张图片的每个region proposal都要做卷积,重复操作太多)

R-CNN , Fast R-CNN , Faster R-CNN原理及区别

github博客传送门 csdn博客传送门 ==RCNN== 1.生成候选区域 使用Selective Search(选择性搜索)方法对一张图像生成约2000-3000个候选区域,基本思路如下: (1)使用一种过分割手段,将图像分割成小区域 (2)查看现有小区域,合并可能性最高的两个区域,重复直到整张图像合并成一个区域位置.优先合并以下区域: 颜色(颜色直方图)相近的 纹理(梯度直方图)相近的 合并后总面积小的 合并后,总面积在其BBOX中所占比例大的 在合并时须保证合并操作的尺度较为均匀,避免