使用TensorFlow训练综合FPN和Faster-RCNN的目标检测模型

尚无评论

Faster-RCNN已经推出几年了,尽管其后有相当多另辟蹊径的方法,比如SSD和YOLO,等等,但目前其仍是目标检测领域精度最优的模型之一。而最近推出的FPN模型,更是融合神经网络中不同层之间的特征,对目标检测的大小物体兼顾,从而达到了最好的检测结果。比如,COCO目标检测的Leaderboard前几名目前无不是基于FPN进行的各种改进。

我想着将FPN与Faster-RCNN结合使用,GitHub上目前一共有3个类似的Repositories:

FPN_TensorflowFastFPNFPN

我将它们分别clone了下来,并试着调试使用,最后发现最好用的是FPN_Tensorflow,而其他两个,在调试和使用中,要么碰到各种问题,提issue未获解决;要么虽然跑通了,但无法测试模型的效果,也没有评估模型mAP的程序。

在 2018-03-18 发布于 人工智能 类别下以来已有5,492人读过本文
阅读全文

以Detectron用自己的数据集训练目标检测模型

尚无评论

前一段时间Facebook开源了其用于目标检测、识别和分割的框架——Detectron,该框架携带了这一领域里的经典和最新算法,诸如Faster-RCNN、RetinaNet、Mask-RCNN,等等。这绝对是造福这一领域从业者和研究者的事情,当然,也成了这一领域绕不开的东西了。

Detectron自带了可以基于Pascal VOC以及COCO数据集的模型训练方法。不过Detectron十分易用,即使训练自己的数据集,操作起来也十分简单方便。本文对此进行一下简单介绍和总结。

在 2018-03-10 发布于 人工智能 类别下以来已有5,881人读过本文
阅读全文

编译安装py-faster-rcnn踩坑记

尚无评论

因为之前一直用TensorFlow,所以在做目标检测用Faster-RCNN时,使用的一直是GitHub上的基于TensorFlow的Faster-RCNN的Repository,改来改去,进行的各种操作。但那么几个Repositories大同小异,基本上都是基于RBG大神的py-faster-rcnn做的。因此,溯本追源,尽管其是基于caffe做出来的,但如果不好好研究一下py-faster-rcnn这个Repository的话,也似乎有点舍本逐末了。

可caffe的坑实在太多,这也是大家现在普遍都在转新的框架的原因之一吧;我一直讳谈、讳用caffe相关的东西,也大体上有这样一个原因。

果不其然,安装调试py-faster-rcnn时,就碰到了许多关于caffe的坑;当然,也有一些py-faster-rcnn自身的坑,不过多是因为该项目年久失修,解决起来并不算难。

在 2018-02-13 发布于 人工智能 类别下以来已有1,676人读过本文
阅读全文

将自己的数据集转换成pascal_voc格式

尚无评论

在RCNN、Fast-RCNN、Faster-RCNN等一系列深度学习用于目标检测(Object Detection)的众多开源实现里,基本上都是基于pascal_voc的数据集进行处理的,给出了使用该数据集进行训练和测试的完整代码。

诚然,我们可以基于这些开源项目来进行定制,并在自己的数据集跑起来。但这样需要修改大量代码,稍有不慎可能带来很多注意不到的错误。而从另一个方面入手,如果将我们的数据集按照pascal_voc的格式进行转换,然后进行训练,则会简单地多,只需要修改很少量的代码即可。不过这样一来,我们的任务则集中在了将数据集转换为pascal_voc的格式上。

在 2018-02-07 发布于 人工智能 类别下以来已有3,518人读过本文
阅读全文

Ubuntu上安装TensorFlow脚本备忘

尚无评论

#!/bin/bash

# uninstall amazon
# uninstall libreOffice

sudo apt-get update

sudo add-apt-repository ppa:hzwhuang/ss-qt5
sudo apt-get update
sudo apt-get install shadowsocks-qt5

在 2016-10-06 发布于 人工智能 类别下以来已有2,901人读过本文
阅读全文

安装Ubuntu搭建TensorFlow框架笔记

尚无评论

既已转行,自然需要全心投入深度学习的探索和研究之中。深度学习的学习和实现离不开一些经典的深度学习框架,从Caffe到Theano,从MXnet到TensorFlow,优秀的框架层出不穷,但我想基于Google目前在深度学习领域的地位,以及Google推出TensorFlow之后受到的关注和影响,TensorFlow都不容忽视。又加之最近TensorFlow在迭代更新之后,已经没有了明显的短板和弱点,而我自己对深度学习的入门和研究也日渐需要一个平台框架来实现一些东西,思虑再三,决定开始选定并搭建TensorFlow环境了。

搭建TensorFlow特别容易,要么是Linux下一行命令,要么是Windows下使用docker,但很遗憾,我在Windows下安装docker出了问题,而刚好,公司给我们几个博士一人配了一台很不错的新电脑,以便进行深度学习的研究,既然电脑是全新的,而考虑到深度学习的研发通常都是在Ubuntu上进行,既然绕不开,就果断装一个,索性折腾一番吧。

但是自此开始,我进了坑。

在 2016-05-31 发布于 人工智能 类别下以来已有4,364人读过本文
阅读全文