使用自己的数据训练 Faster R-CNN 的 ResNet-50 模型

 

上次使用 Faster R-CNN 训练了一个 VGG16 的网络，为了再提升识别的准确率，利用 ResNet 网络在同样的数据上面训练了多一次。

https://blog.csdn.net/weixin_39679367/article/details/80930830

https://blog.csdn.net/weixin_39679367/article/details/80942651 

https://blog.csdn.net/Z5337209/article/details/72838049

https://download.csdn.net/download/amanfromearth/10199664

---

基本的过程和在训练 VGG16 网络时差不多，可参照 使用自己的数据训练 Faster R-CNN 的 VGG-16 模型

一、训练网络

（一）下载 ResNet-50 的 prototxt 文件

（二）相关文件修改

1.cd $FRCN_ROOT/lib/rpn/generate_anchors.py

 

2.cd $FRCN_ROOT/lib/rpn/anchor_target_layer.py

•  

3.cd $FRCN_ROOT/lib/rpn/proposal_layer.py

•  

4.pascal_voc .py、imdb.py、train.prototxt、test.prototxt、.pt文件 的修改参考 使用自己的数据训练 Faster R-CNN 的 VGG-16 模型 。

5.因为我们使用了5个尺度的anchors，所以之前的9个anchors变成了3*5=15个。
修改prototxt和pt文件，将其中的18换成30。

• （三）下载 ImageNet 模型

下载 ImageNet 预训练文件：ResNet-50.v2.caffemodel

（四）清除缓存

删除缓存文件：
$FRCN_ROOT/data/VOCdevkit2007/annotations_cache/annots.pkl
$FRCN_ROOT/data/cache 下的 pkl 文件
如果不清除缓存可能会报错。

（五）开始训练

参照 VGG16 的训练命令：
cd $FRCN_ROOT

./experiments/scripts/faster_rcnn_end2end.sh 0 ResNet-50 pascal_voc

注意：第三个参数 ‘ResNet-50’，一定要和你的文件夹名字对应，比如我的文件放在$FRCN_ROOT/models/pascal_voc/ResNet-50 里面，所以我的第三个参数就为我目录的名称。

---

由于 ResNet-50 的网络更深，训练的时间也需要更久，每一次迭代大约需要 0.5s ，训练这个网络我用了大概10个小时，但效果会比用 VGG16 的好，主要是对小尺度的物体检测更加准确了。
这是我训练时各类的 AP ：

Caffe下py-faster-rcnn使用残差网络Resnet进行训练

https://blog.csdn.net/AManFromEarth/article/details/79030199

Faster RCNN论文：http://arxiv.org/abs/1506.01497 
Faster RCNN源码Github地址：https://github.com/rbgirshick/py-faster-rcnn 
ResNet论文：https://arxiv.org/abs/1512.03385 
ResNet Github地址：https://github.com/KaimingHe/deep-residual-networks

Kaiming大神15年的ResNet出来已久，但仍然是现今顶尖的网络，论文中测试的方法是他自己的Faster RCNN，Github上也给出了原始的ResNet caffe结构。 
但是对于我这样的小白来说，还是不太清楚该如何取改他提供的模型去适应Faster RCNN进行目标检测，用了很长时间终于搞清楚，特上传其prototxt文件记录。

注：ResNet其他的结构按照同样的方式改就行了。

下载地址: 
http://download.csdn.net/download/amanfromearth/10199664