在Windows系统下，用faster-RCNN进行模型训练

一、图片标注

程序1:（实用性不高）

下载地址：

http://download.csdn.net/download/sinat_30071459/9573982

参考网址：

http://blog.csdn.net/sinat_30071459/article/details/50723212

使用方法:

代码已经封装成DLL，你只需要打开项目，将图像路径修改成你的即可。
（我用的VS为2013）。生成的txt内容为：图像名 标签 x1 y1 x2 y2。（包围框坐标）

1. 图片显示出来后，输入法切换到英文；
2. 在目标的左上角按下鼠标左键，拉一个包围框到目标右下角，然后键盘输入标签(一个字符)
3. 继续（2）操作，直到框完该张图片上的目标；
4. 按n进入下一张，esc退出。

注意：标签只能输入一个字符，你可以在生成的txt文件（存放在图片所在目录下）中替换成你实际的标签。

程序2（参考别人的程序，自己改编的）

参考网址：

http://blog.csdn.net/qq_29540745/article/details/52562101

每个txt内容如下图所示（左上角和右下角坐标，并且每个txt文件以文件名命名）：

二、将标注信息转成固定格式

生成结果如下图所示：

# 序号

图片名

目标个数

标签 左上角横坐标 左上角纵坐标 右下角横坐标 右下角纵坐标 0/1（是否容易识别？）

注意点：1）必须第一行是# 序号，2）而且类别数必须从1开始（非0）

三、配置python环境（之前用caffenet跑mnist和分类的时候，不需要用fasterRCNN进行监测，所以之前不需要python）

要跑faster-RCNN需要下载此网址上的caffe（不然运行会出现问题）

https://github.com/huaze555/windows-caffe-faster-rcnn

1. 安装Anaconda2（装2.7 会避免很多问题）

https://www.anaconda.com/download/#windows

2. 下载后，进入windows根目录内，复制CommonSettings.props.example文件，然后改名为CommonSettings.props，修改CommonSettings.props内容（几个关键的地方）

前提：已经安装了cuda8.0 、cuDNN v5、anaconda2 、matlab 2014b等

3. 修改属性（所有项目都需要修改）

4. 编译pycaffe

参考 http://blog.csdn.net/Angela_qin/article/details/79398174 “三、编译pycaffe”内容

到此，所有预备工作都完成了！准备训练模型！！

四、训练模型

1. 修改各文件（源文件都在 ..\models\FRCNN\vgg16和 ..\examples\FRCNN\vgg16）

所需修改的文件如下图所示：

注意点：

train_val_pigDetect.prototxt 和 solver.prototxt 中不要有形如“C:\windows\system32\cmd.exe”这种绝对路径，不然会出现 “Invalid escape sequence in string literal”错误
但是可以加 含’/’的相对路径 （只要没有’\’即可）

1）train_pigDetect.bat （通过此文件可以知道需要另外哪些文件，然后一个个追溯下去）

（这只是完成了第一部分，到时候训练生成的caffemodel需要运行convert_model.py再进行转换）

• caffe.exe 使用 https://github.com/huaze555/windows-caffe-faster-rcnn 下载的
• VGG16.v2.caffemodel需要自己下载 http://www.oubear.com/yun/1jInm5KE.html
• convert_model.py 用源文件即可
• vgg16_faster_rcnn_iter_70000.caffemodel 和 vgg16_faster_rcnn_final.caffemodel 是训练完之后生成的 （70000是在solver.prototxt中设置的max_iter，可以自行更改）

2）solver.prototxt

(改了stepsize和max_iter)

• solver 文件中的Iter_size

这个参数乘上你的train.prototxt中的batch size是你实际使用的batch size。 相当于读取batchsize*itersize个图像才做一下gradient decent。 这个参数可以规避由于gpu不足而导致的batchsize的限制,因为你可以用多个iteration做到很大的batch,即使单次batch有限。

• solver 文件中的average_loss

取多次foward的loss作平均，进行显示输出 （最终训练结果好不好也主要看这个）

3）train_val_pigDetect.prototxt

需要更改的地方:

4）train_pigDetect.trainval (把本文“二、将标注信息转成固定格式”中的程序编译生成的txt文件内容拷贝过来即可)

5）pigDetect_config.json

需要修改的地方
(因为之前flip过了，所以这边设置为0即可)

6）test_pigDetect.prototxt

需要修改的地方

2. 查看训练结果（看loss即可，会不断减少）

五、转化训练生成的caffemodel

1. 修改 convert_model.py内容

（最后一个net_out_path参数是转化后的caffemodel文件名）

2. 进入convert_model.py所在根目录，按住shift键，右击，选择“在此处打开命令窗口”，进入相应路径下的命令窗口。

输入 python(空格)路径（convert_model.py路径），回车后，出现如下图所示的错误，即 import caffe出错了。

原因：找不到caffe这个包，所以需要把caffe的包放到site-packages文件夹下。

解决方法：

把如下图所示的caffe文件夹放入如下图所示的site-packages文件夹下

3. 再次执行 python convert_model.py,出现如下图所示信息就说明成功转换了！

在根目录下也会自动多一个 3.caffemodel

六、测试项目，进行视频监测

1. 把相应文件放入项目所在根目录

2. 修改代码相应内容

3. 编译运行，即可成功监测！