R-CNN：使用自己的資料訓練 Faster R-CNN 的 ResNet-50 模型

上次使用 Faster R-CNN 訓練了一個 VGG-16 的網絡，為了再提升識别的準确率，利用 ResNet 網絡在同樣的資料上面訓練了多一次。

基本的過程和在訓練 VGG-16 網絡時差不多，可參照 使用自己的資料訓練 Faster R-CNN 的 VGG-16 模型

一、訓練網絡

（一）下載下傳 ResNet-50 的 prototxt 檔案

在我的 Github 上面可以下載下傳我使用的檔案，當然你也可以使用不同的 ResNet 網絡結構。

（二）相關檔案修改

1.

cd $FRCN_ROOT/lib/rpn/generate_anchors.py

# 在 37 行：
def generate_anchors(base_size=16, ratios=[0.5, 1, 2],
                     scales=2**np.arange(3, 6)):
# 修改為：
def generate_anchors(base_size=16, ratios=[0.5, 1, 2],
                     scales=2**np.arange(1, 6)):
           

2.

cd $FRCN_ROOT/lib/rpn/anchor_target_layer.py

# 在 28 行：
        anchor_scales = layer_params.get('scales', (8, 16, 32))
# 修改為：
        anchor_scales = layer_params.get('scales', (2, 4, 8, 16, 32))
           

3.

cd $FRCN_ROOT/lib/rpn/proposal_layer.py

# 在 29 行：
        anchor_scales = layer_params.get('scales', (8, 16, 32))
# 修改為：
        anchor_scales = layer_params.get('scales', (2, 4, 8, 16, 32))
           

4.

pascal_voc.py、imdb.py、train.prototxt、test.prototxt、.pt檔案

的修改參考 使用自己的資料訓練 Faster R-CNN 的 VGG-16 模型 。

5. 因為我們使用了 5 個尺度的 anchors，是以之前的 9 個 anchors 變成了 3*5=15 個。

修改

prototxt 和 pt檔案

，将其中的 18 換成 30。

layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_cls_score"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 30   # 2(bg/fg) * 9(anchors)    ///将 18 換成 30
    kernel_size: 1 pad: 0 stride: 1
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
           

（三）下載下傳 ImageNet 模型

下載下傳 ImageNet 預訓練檔案：

ResNet-50.v2.caffemodel

（四）清除緩存

删除緩存檔案：

$FRCN_ROOT/data/VOCdevkit2007/annotations_cache/annots.pkl

和

$FRCN_ROOT/data/cache

下的

pkl

檔案

如果不清除緩存可能會報錯。

（五）開始訓練

參照 VGG16 的訓練指令：

cd $FRCN_ROOT

./experiments/scripts/faster_rcnn_end2end.sh 0 ResNet-50 pascal_voc

注意：第三個參數 ‘ResNet-50’，一定要和你的檔案夾名字對應，比如我的檔案放在

$FRCN_ROOT/models/pascal_voc/ResNet-50

裡面，是以我的第三個參數就為我目錄的名稱。

由于 ResNet-50 的網絡更深，訓練的時間也需要更久，每一次疊代大約需要 0.5s ，訓練這個網絡我用了大概 10 個小時，但效果會比用 VGG 16 的好，主要是對小尺度的物體檢測更加準确了。

這是我訓練時各類的 AP ：