Windows下使用Faster RCNN训练自己的模型

前两篇博客介绍了Windows下tensorflow和faster rcnn的安装和demo的运行，这篇介绍如何训练自己的模型和数据。

Windows +TensorFlow+Faster Rcnn 详细安装步骤（一）

Windows 下 TensorFlow 和 Faster rcnn 详细安装步骤（二）

这里不再介绍VOC2007数据集，假设你已经制作好了自己的数据集。

注意：这篇博客是基于上述两篇博客tensorflow和faster rcnn版本的，如果不是用的上面的版本，那很可能这篇博客的方法是行不通的。

 

训练模型部分：

需要更改的主要有以下地方：

1.在...\Faster-RCNN\data目录下，检查是否有个叫cache的文件夹，每次在训练模型前，建议清空这个文件夹里面的东西。

2.在...\Faster-RCNN\data目录下，将VOCDevkit2007替换成自己的数据集。（如果有需要，以后我在写如何制作自己的VOC数据集）

3.在...\Faster-RCNN\lib\config目录下，有个config.py文件，可以设置一些参数，比如learning_rate、max_iters、batch_size、step_size等等，这个可以根据自己需求改。比如，显卡性能一般的话，可以适当降低batch_size，觉得默认设置的max_iters迭代次数不够的话，可以改成七万等。

4.在...\Faster-RCNN\lib\datasets目录下，有pascal_voc.py文件，这个是必须要更改的，代码中 self._classes要来指定识别的类别，如下所示

 self._classes = ('__background__',  # always index 0
                         'aeroplane', 'bicycle', 'bird', 'boat',
                         'bottle', 'bus', 'car', 'cat', 'chair',
                         'cow', 'diningtable', 'dog', 'horse',
                         'motorbike', 'person', 'pottedplant',
                         'sheep', 'sofa', 'train', 'tvmonitor')

这里需要替换成我们自己的，例如，我做这个深度学习是为了识别和提取大坝要素，因此，我替换成了下面这样

self._classes = ('__background__','dam')

其中，background是需要我们保留的。

5.这样，就可以直接使用train.py训练自己的模型了。

识别部分：

我们已经使用自己的数据集训练得到了模型，接下来就是用模型识别自己的图片。

主要更改内容有以下：

1.在...\Faster-RCNN\data\demo目录下，将demo文件夹下的图片换成自己要识别的图片。

2.在demo.py代码的开头，同样使用了classes指定了识别的类别，默认和pascal_voc.py中是一样的，这里同样需要更改成自己的类别，例如我更改成了：

CLASSES = ('__background__','dam')

3.这样，就可以使用demo.py直接识别demo文件夹中包含的图片了。

 

如果还有问题，建议看我前两篇博客，确保框架正确安装的基础上，先把demo跑通。