在PyTorch中实现Faster RCNN (faster_rcnn_pytorch)

PyTorch实现Faster RCNN

注意：当我开始学习PyTorch时，我在这个项目中重新实现了faster rcnn。然后我在所有项目中使用PyTorch。我还记得我花了一个星期的时间来弄清楚如何构建cuda代码作为pytorch层:)。但实际上这不是一个好的实现，我没有实现与原始caffe代码相同的mAP。

该项目不再维护，可能与最新的pytorch不兼容（0.4.0之后）。所以我建议：

• 1、如果你想自己重新实现faster rcnn，你可以参考这段代码。
• 2、如果你想用你自己的数据训练faster rcnn，你可以在PyTorch中使用ruotianluo或Detectron.pytorch更好的实现;

此项目是PyTorch实现faster rcnn。该项目主要基于py-faster-rcnn和TFFRCNN。

有关R-CNN的详细信息，请参阅文章Faster R-CNN。

一、进展

• 前向检测
• 在CPU上使用C扩展的RoI Pooling层（仅前向）
• GPU上的RoI Pooling层（前向和后向）
• VOC2007的训练
• 支持TensroBoard
• 评估

二、安装和演示

1、安装要求（你可以使用pip或Anaconda）：

conda install pip pyyaml sympy h5py cython numpy scipy
conda install -c menpo opencv3
pip install easydict

2、克隆Faster R-CNN库

git clone git@github.com:longcw/faster_rcnn_pytorch.git

3、为nms和roi_pooling层构建Cython模块

cd faster_rcnn_pytorch/faster_rcnn
./make.sh

4、下载经过训练的模型VGGnet_fast_rcnn_iter_70000.h5并在demo.py中设置模型路径

5、运行DEMO

python demo.py

三、关于Pascal VOC 2007的训练

按照这个项目（TFFRCNN） 下载并准备训练，验证，测试数据和在ImageNet上预训练的VGG16模型。

由于项目默认加载faster_rcnn_pytorch/data，您可以将数据路径设置如下。

cd faster_rcnn_pytorch
mkdir data
cd data
ln -s $VOCdevkit VOCdevkit2007

然后，您可以train.py中设置hyper-parameters参数以及在.yml文件中设置训练参数。

现在我在VOC07上获得了0.661 mAP，而原文章获得了0.699 mAP。您可能需要调整faster_rcnn/faster_rcnn.py中自己定义的损失函数。

四、使用TensorBoard进行训练

在Crayon的帮助下，我们可以获得TensorBoard的可视化功能，用于任何深度学习框架。

要使用TensorBoard，安装Crayon，并设置use_tensorboard = True在faster_rcnn/train.py;也可以参考在PyTorch中使用tensorboard可视化。

五、评估

在test.py上设置训练过的模型的路径。

cd faster_rcnn_pytorch
mkdir output
python test.py

项目地址：longcw/faster_rcnn_pytorch

原创文章，转载请注明 ：在PyTorch中实现Faster RCNN (faster_rcnn_pytorch) - pytorch中文网
原文出处： https://ptorch.com/news/218.html
问题交流群 ：168117787