目标检测RON网络VOC2007训练测试
2017-08-18 10:51
603 查看
源码github
前提已经下载好模型RON320_VOC0712_VOC07.caffemodel(参照)
在VOCdevkit2007中创建系列文件夹 ./results/VOC2007/Main,否则运行test会报错找不到VOCdevkit2007/results/VOC2007/Main…文件
在RON目录下运行脚本./test_voc07.sh
得到测试结果如下,MAP为0.742
下载预训练模型VGG_ILSVRC_16_layers_fc_reduced.caffemodel,放到data/ImageNet_models,修改脚本train_voc.sh并运行
注:若出现cudnn报错,因为编译没加cudnn,因此我把prototxt中engine: CUDNN全去掉
注:若output文件夹没有权限,先给其权限
因为时间问题,这儿我是仅训练voc2007,迭代10000次,batchsize为16,训练了7小时,训练结果得到 loss=1.195
测试map,运行命令
结果为 map=0.61,达到作者效果的82%。时间充足可以尝试按照官方给的迭代120000次,batchsize为20,VOC2007+2012训练
1.RON320 VOC07_test
下载VOC2007数据集,其解压放到RON/data目录下,修改文件夹名VOCdevkit为VOCdevkit2007(与代码中一致)前提已经下载好模型RON320_VOC0712_VOC07.caffemodel(参照)
在VOCdevkit2007中创建系列文件夹 ./results/VOC2007/Main,否则运行test会报错找不到VOCdevkit2007/results/VOC2007/Main…文件
在RON目录下运行脚本./test_voc07.sh
得到测试结果如下,MAP为0.742
Saving cached annotations to data/VOCdevkit2007/annotations_cache/annots.pkl AP for aeroplane = 0.7638 AP for bicycle = 0.7953 AP for bird = 0.7472 AP for boat = 0.6666 AP for bottle = 0.5295 AP for bus = 0.8348 AP for car = 0.8339 AP for cat = 0.8582 AP for chair = 0.5569 AP for cow = 0.7916 AP for diningtable = 0.6942 AP for dog = 0.8427 AP for horse = 0.8134 AP for motorbike = 0.8322 AP for person = 0.7609 AP for pottedplant = 0.4906 AP for sheep = 0.7362 AP for sofa = 0.7551 AP for train = 0.8030 AP for tvmonitor = 0.7241 Mean AP = 0.7415
2.RON320 VOC07_train
我是在一路titan显卡上训练下载预训练模型VGG_ILSVRC_16_layers_fc_reduced.caffemodel,放到data/ImageNet_models,修改脚本train_voc.sh并运行
python tools/train_net.py --gpu 0 \ --solver models/pascalvoc/VGG16/solver.prototxt \ # 只训练VOC2007,默认的--imdb参数就是 --weights data/ImageNet_models/VGG16_layers_fully_conv.caffemodel \ --batchsize 16 \#batchsize 20过大,会cuda out of memory --iters 10000
注:若出现cudnn报错,因为编译没加cudnn,因此我把prototxt中engine: CUDNN全去掉
注:若output文件夹没有权限,先给其权限
sudo chmod -R 777 ./output
因为时间问题,这儿我是仅训练voc2007,迭代10000次,batchsize为16,训练了7小时,训练结果得到 loss=1.195
测试map,运行命令
python ./tools/test_net.py --gpu 0 \ --def models/pascalvoc/VGG16/test320cudnn.prototxt \ --net output/default/voc_2007_trainval/RON_320_iter_10000.caffemodel \ --imdb voc_2007_test
结果为 map=0.61,达到作者效果的82%。时间充足可以尝试按照官方给的迭代120000次,batchsize为20,VOC2007+2012训练
AP for aeroplane = 0.6431 AP for bicycle = 0.7331 AP for bird = 0.5981 AP for boat = 0.4798 AP for bottle = 0.3230 AP for bus = 0.6838 AP for car = 0.7294 AP for cat = 0.7936 AP for chair = 0.3810 AP for cow = 0.6029 AP for diningtable = 0.4608 AP for dog = 0.6924 AP for horse = 0.7696 AP for motorbike = 0.6863 AP for person = 0.6396 AP for pottedplant = 0.3565 AP for sheep = 0.5833 AP for sofa = 0.6703 AP for train = 0.7615 AP for tvmonitor = 0.6178 Mean AP = 0.6103
相关文章推荐
- 使用CNN(convolutional neural nets)检测脸部关键点教程(二):浅层网络训练和测试
- 目标检测之三 Win10 +VS2015+双gtx Titan X使用YOLO v2训练VOC数据
- 使用CNN(convolutional neural nets)检测脸部关键点教程(二):浅层网络训练和测试
- 目标检测网络总结+自己训练过程……
- Opencv目标检测之级联分类器训练与测试
- 修改caffe输出multilabel,并自己训练完成了一个神经网络,初步达到目标检测的效果
- NVIDIA tx2上直接测试训练好的目标检测模型方法
- 用DPM(Deformable Part Model,voc-release4.01)算法在INRIA数据集上训练自己的人体检测模型
- qt检测网络连接状态【只能检测和路由器的连接,不能测试到外网的连接】
- opencv cascade训练LBP特征进行目标检测
- 【神经网络与深度学习】【计算机视觉】RCNN- 将CNN引入目标检测的开山之作
- 目标检测、跟踪、识别标准测试视频集和图像数据库
- matconvnet环境下训练自己的数据集及模型测试-mnist网络结构-cifar10部分数据集
- 不要怂,就是GAN (生成式对抗网络) (四):训练和测试 GAN
- 【转载】目标检测、跟踪、识别标准测试视频集和图像数据库
- SSD区域检测网络配置+训练自己的数据
- 使用Caffe完成图像目标检测 和 caffe 全卷积网络
- 目标检测级联分类器训练
- SSD目标检测算法改进:DSOD(不需要预训练的目标检测算法)
- 以resnet作为前置网络的ssd目标提取检测