CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
2018-03-22 14:51
471 查看
1.caffe下CPU的训练和GPU的训练有很大不同,要修改很多,这里前提是你已经配置好了CPU下的caffe,接下来就是用数据来训练网络了。
2.主要思路:
(1)准备数据,这里以VOC2007数据为例
(2)下载网络ImageNet,为什么要下载网络,因为如果你单纯的从0(各权重参数随机初始化)开始训练faster RCNN网络,是非常慢的,所以,我们都是先下载一个训练好的网络——ImageNet网络,在这个网络基础上开始训练,那么你会问,这个不是训练好的网络吗,为什么还要再训练,那是因为这个网络时用ImageNet数据集训练好的网络,而不是用VOC2007训练出来的网络,用别人在其他数据集训练好的网络来初始化自己的参数,这样会快一点。对与这个例子而言,都是这样用的。
(3)训练
(4)测试
3.大致流程,别人已经写好了,在这里 ,
其中要注意一点:“对py-faster-rcnn内的roi_pooling_layer和smooth_L1_loss_layer进行替换并重新编译”,要进入到caffe-fast-rcnn下重新make一下才有效果,不要忘记,就在caffe-fast-rcnn文件下,输入make即可
4,遇到的问题,这里有解决方案。
2.主要思路:
(1)准备数据,这里以VOC2007数据为例
(2)下载网络ImageNet,为什么要下载网络,因为如果你单纯的从0(各权重参数随机初始化)开始训练faster RCNN网络,是非常慢的,所以,我们都是先下载一个训练好的网络——ImageNet网络,在这个网络基础上开始训练,那么你会问,这个不是训练好的网络吗,为什么还要再训练,那是因为这个网络时用ImageNet数据集训练好的网络,而不是用VOC2007训练出来的网络,用别人在其他数据集训练好的网络来初始化自己的参数,这样会快一点。对与这个例子而言,都是这样用的。
(3)训练
(4)测试
3.大致流程,别人已经写好了,在这里 ,
其中要注意一点:“对py-faster-rcnn内的roi_pooling_layer和smooth_L1_loss_layer进行替换并重新编译”,要进入到caffe-fast-rcnn下重新make一下才有效果,不要忘记,就在caffe-fast-rcnn文件下,输入make即可
4,遇到的问题,这里有解决方案。
相关文章推荐
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- CPU下用VOC2007数据或者自己的数据来训练Faster RCNN
- py-faster-rcnn+cpu配置并训练自己的数据
- Tensorflow + ResNet101 + fasterRcnn 训练自己的模型 数据(一)
- py-faster-rcnn + cpu安装及训练自己的数据集
- 仿照VOC2007制作自己的数据集,并在Caffe上训练Faster-RCNN
- [深度学习] RCNNs系列(1) Ubuntu下Faster RCNN配置及训练和测试自己的数据方法
- faster-rcnn tensorflow windows python 训练自己数据
- Faster rcnn 训练自己的数据—环境搭建
- tensorflow版本 Faster RCNN训练自己的数据集
- Fast rcnn cpu 训练自己的数据
- 使用Faster R-CNN训练自己的数据
- py-faster-rcnn + ZF 实现自己的数据训练与检测(二)
- Faster RCNN 在Linux+CPU环境下训练自己的数据集过程以及训练遇到的问题