WIN10+Tensorflow+Faster RCNN训练自己的数据集

Faster RCNN(Tensorflow)的配置可以参考我的博客，https://blog.csdn.net/kebi199312/article/details/88368904

本文分为三部分：

• 数据集制作
• 代码修改
• 训练和测试

一、环境配置：

1、环境

• win10系统，显卡GeForce GTX 960M；
• TensorFlow-gpu 1.13.0-rc2，CUDA 10.0，Cudnn 7.4.2；
• python 3.5.2

• Faster RCNN的下载地址：

  https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5

二、制作数据集

数据集的图片来源于https://github.com/datitran/raccoon_dataset，数据集里有200张浣熊的照片；数据集的格式类似于VOC2007的格式，Annotations文件夹里是制作好的标签，JPEGImages文件夹里是源图像，ImageSets\Main 文件夹里是生成的txt文件

                                                                                 VOC2007下的文件夹

批量命名文件(格式:00000x.jpg)，并且图片的尺寸不能太大，将重命名的源图像放在JPEGImages文件夹里，使用labelImg工具将图像标注，生成xml文件，保存在Annotation文件夹里，操作步骤：

打开labelImg，在OpenDir中，选择JPEGimage文件夹

（1）W键快捷creatbox，进行框选待测图片中的检测目标；

（2）输入目标的标签，后面和config.py，pascal_voc.py等调整时匹配；

（2）左侧save到Annotations文件夹下，存为xml文件（放到Annotations里）；

（3）下一张图片继续，直至结束。

批量命名图片的代码：

import os
path = "JPEGImages"
filelist = os.listdir(path) #该文件夹下所有的文件（包括文件夹）
count=0
for file in filelist:
    print(file)
for file in filelist:   #遍历所有文件
    Olddir=os.path.join(path,file)   #原来的文件路径
    if os.path.isdir(Olddir):   #如果是文件夹则跳过
        continue
    filename=os.path.splitext(file)[0]   #文件名
    filetype=os.path.splitext(file)[1]   #文件扩展名
    Newdir=os.path.join(path,str(count).zfill(6)+filetype)  #用字符串函数zfill 以0补全所需位数
    os.rename(Olddir,Newdir)#重命名
    count+=1

三、代码修改

标签修改：代码位于lib\datasets\pascal_voc.py，pascal_voc.py脚本第34行，不要更改_background_，将34行中的标签替换成自己的标签，这里只用到了一个标签：raccoon。

                                                                                  标签修改

 训练参数修改：代码位于lib\config\config.py文件中，可以更改训练的总步数(max_iters)、权值衰减(weight_decay)、学习率(learning_rate)、批次大小(batch_size)等参数。

                                                                                    训练参数修改 

四、训练和测试

参数修改完后，运行train.py，模型训练完后，模型保存在..\default\voc_2007_trainval\default中，把四个文件拷贝出来放到output\vgg16\voc_2007_trainval\default文件夹中，并进行重命名，如下图所示。

                                                                                               生成的模型

测试代码修改：修改主目录里的demo.py脚本，修改标签的个数(1个背景，1个标签)，同时把需要测试的图片放在data\demo文件夹里，图片的名称为6位数字。

                                                                                    修改的参数 

最后测试的结果如下图所示：