基于faster RCNN 目标检测-车牌定位（1）

最近一直在学习深度学习中的目标检测-主要研究的是车牌定位，用过传统的方法，YOLO等，YOLO效果不是很好，但是YOLO训练起来很慢，3000左右的数据集需要训练大概10多个小时。而且效果不是很好。改进的话不是特别好改。于是又开始研究faster RCNN ，训练也是巨慢的。没办法，必须实验才知道效果，哪个更好。目标检测最难的不是网络环境搭建，而是数据集的制作。下面开始我们的faster rcnn实战之旅吧。

step1:数据集的准备和源代码的下载。

源码下载 ：https://github.com/jinfagang/keras_frcnn

下好的源代码放在pycharm工程目录中

以下是源码的目录详情（下载好的代码文件夹没有这么多，少了的话需要自己添加）

训练数据 annotation格式如下：

JPEGImages\1.jpg,282,385,436,412,plate

改格式对应的是图片的相对路径，是按照voc数据集来的。

具体用到的代码如下：

# -*- coding:utf-8 -*-

import csv
import os
import glob
import sys


class PascalVOC2CSV(object):
    def __init__(self, xml=[], ann_path='./annotations.csv', classes_path='./classes.csv'):
        '''
        :param xml: 所有Pascal VOC的xml文件路径组成的列表
        :param ann_path: ann_path
        :param classes_path: classes_path
        '''
        self.xml = xml
        self.ann_path = ann_path
        self.classes_path = classes_path
        self.label = []
        self.annotations = []

        self.data_transfer()
        self.write_file()

    def data_transfer(self):
        for num, xml_file in enumerate(self.xml):
            try:
                # print(xml_file)
                # 进度输出
                sys.stdout.write('\r>> Converting image %d/%d' % (
                    num + 1, len(self.xml)))
                sys.stdout.flush()

                with open(xml_file, 'r') as fp:
                    for p in fp:
                        if '' in p:
                            self.filen_ame = p.split('>')[1].split('<')[0]

                        if '