說明：本博文假設你已經做好了自己的資料集，該資料集格式和VOC2007相同。下面是訓練前的一些修改。

（做資料集的過程可以看http://blog.csdn.net/sinat_30071459/article/details/50723212）

Faster-RCNN源碼下載下傳位址：

Matlab版本：https://github.com/ShaoqingRen/faster_rcnn

python版本:https://github.com/rbgirshick/py-faster-rcnn

本文用到的是Matlab版本，在Windows下運作。

python版本的訓練過程：http://blog.csdn.net/sinat_30071459/article/details/51332084

資源下載下傳：https://github.com/ShaoqingRen/faster_rcnn，網頁最後有所有的資源。

準備工作：

（1）

安裝vs2013；

安裝Matlab；

安裝CUDA；

上面的安裝順序最好不要亂，否則可能出現Matlab找不到vs的情況，在Matlab指令行視窗輸入：mbuild -setup，如果出現：

Faster-RCNN+ZF用自己的資料集訓練模型(Matlab版本) 在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

說明Matlab可以找到vs2013。CUDA應在安裝vs2013後再安裝。

（2）

如果你的cuda是6.5，那麼，運作一下：

fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m

（運作代碼下載下傳失敗的話，用百度雲下載下傳：https://pan.baidu.com/s/1i3m0i0H ，解壓到faster_rcnn-master下）

得到mex檔案。如果不是cuda6.5（如我的是cuda7.5），則需要自己編譯mex檔案，編譯過程參考這裡：Caffe for Faster R-CNN，按步驟做就行了。

也可以下載下傳我編譯得到的檔案（注意cuda版本）。

下載下傳位址：Faster-RCNN(Matlab) external檔案夾

建議還是自己編譯，因為版本問題可能會出錯。在訓練前，可以先下載下傳作者訓練好的模型，測試一下，如果可以的話，就不用自己編譯了。

測試過程：

（1）運作faster_rcnn-master\faster_rcnn_build.m

（2）運作faster_rcnn-master\startup.m

（3）運作faster_rcnn-master\fetch_data\fetch_faster_rcnn_final_model.m 下載下傳訓練好的模型

（下載下傳失敗的話，可以用百度雲下載下傳：https://pan.baidu.com/s/1hsFKmeK ，解壓到faster_rcnn-master下）

（4）修改faster_rcnn-master\experiments\script_faster_rcnn_demo.m的model_dir為你下載下傳的模型，然後運作。

最終得到：

Faster-RCNN+ZF用自己的資料集訓練模型(Matlab版本) 在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

Faster-RCNN+ZF用自己的資料集訓練模型(Matlab版本) 在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

（我的opencv版本是2.4.9，cuda版本是7.5，因版本不同上述檔案和你的編譯結果可能會有差異。+caffe檔案夾是從caffe-master或caffe-faster-R-CNN裡拷貝過來的。）

如果你沒有按上面說的測試過，請先運作：

（1）faster_rcnn-master\faster_rcnn_build.m

（2）faster_rcnn-master\startup.m

然後再進行下面的修改。

1 、VOCdevkit2007\VOCcode\VOCinit.m的修改

（1）路徑的修改

VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml'];
VOCopts.imgpath=[VOCopts.datadir VOCopts.dataset '/JPEGImages/%s.jpg'];
VOCopts.imgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s.txt'];
VOCopts.clsimgsetpath=[VOCopts.datadir VOCopts.dataset '/ImageSets/Main/%s_%s.txt'];
VOCopts.clsrespath=[VOCopts.resdir 'Main/%s_cls_' VOCopts.testset '_%s.txt'];
VOCopts.detrespath=[VOCopts.resdir 'Main/%s_det_' VOCopts.testset '_%s.txt'];

上面這些路徑要正确，第一個是xml标簽路徑；第二個是圖檔的路徑；第三個是放train.txt、val.txt、test.txt和trainval.txt的路徑；第四、五、六個不需要；一般來說這些路徑不用修改，你做的資料集格式和VOC2007相同就行。（圖檔格式預設是jpg，如果是png，修改上面第二行的代碼即可。）

（2）訓練集檔案夾修改

VOCopts.dataset = '你的檔案夾名';

然後将VOC2007路徑注釋掉，上面“你的檔案夾名”是你放Annotations、ImageSets、JPEGImages檔案夾的檔案夾名。

（3）标簽的修改

VOCopts.classes={...
   '你的标簽1'
   '你的标簽2'
   '你的标簽3'
   '你的标簽4'};

将其改為你的标簽。

2 、VOCdevkit2007\results

results下需要建立一個檔案夾，名字是1. (2)中“你的檔案夾名”。“你的檔案夾名”下建立一個Main檔案夾。(因為可能會出現找不到檔案夾的錯誤)

3 、VOCdevkit2007\local

local下需要建立一個檔案夾，名字是1. (2)中“你的檔案夾名”。（同上）

4 、function\fast_rcnn\fast_rcnn_train.m

ip.addParamValue('val_iters',       500,            @isscalar); 
ip.addParamValue('val_interval',    2000,           @isscalar);

可能在randperm(N,k)出現錯誤，根據資料集修改。（VOC2007中val有2510張圖像，train有2501張，作者将val_iters設為500，val_interval設為2000，可以參考作者的設定修改，建議和作者一樣val_iters約為val的1/5，val_interval不用修改）

5、function\rpn\proposal_train.m

這裡的問題和fast_rcnn_train.m一樣。

6.imdb\imdb_eval_voc.m

%do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');
do_eval = 1;

注釋掉

do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');

并令其為1，否則測試會出現精度全為0的情況

7. imdb\roidb_from_voc.m

ip.addParamValue('exclude_difficult_samples',       true,   @islogical);

不包括難識别的樣本，是以設定為true。(如果有就設定為false)

8.網絡模型的修改

（1） models\ fast_rcnn_prototxts\ZF\ train_val.prototxt

input: "bbox_targets"
input_dim: 1  # to be changed on-the-fly to match num ROIs
input_dim: 84 # 根據類别數改，該值為（類别數+1）*4  #################
input_dim: 1
input_dim: 1

input: "bbox_loss_weights"
input_dim: 1  # to be changed on-the-fly to match num ROIs
input_dim: 84 # 根據類别數改，該值為（類别數+1）*4   ############
input_dim: 1
input_dim: 1

layer {
	bottom: "fc7"
	top: "cls_score"
	name: "cls_score"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	type: "InnerProduct"
	inner_product_param {
		num_output: 21 #根據類别數改該值為類别數+1   #########

layer {
	bottom: "fc7"
	top: "bbox_pred"
	name: "bbox_pred"
	type: "InnerProduct"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	inner_product_param {
		num_output: 84  #根據類别數改，該值為（類别數+1）*4  ##########

（2） models\ fast_rcnn_prototxts\ZF\ test.prototxt

layer {
	bottom: "fc7"
	top: "cls_score"
	name: "cls_score"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	type: "InnerProduct"
	inner_product_param {
		num_output: 21  #類别數+1  ##########

layer {
	bottom: "fc7"
	top: "bbox_pred"
	name: "bbox_pred"
	type: "InnerProduct"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	inner_product_param {
		num_output: 84  #4*(類别數+1)  ##########

（3） models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxt

input: "bbox_targets"
input_dim: 1  # to be changed on-the-fly to match num ROIs
input_dim: 84 # 4*(類别數+1)  ###########
input_dim: 1
input_dim: 1

input: "bbox_loss_weights"
input_dim: 1  # to be changed on-the-fly to match num ROIs
input_dim: 84 # 4*(類别數+1)  ###########
input_dim: 1
input_dim: 1

layer {
	bottom: "fc7"
	top: "cls_score"
	name: "cls_score"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	type: "InnerProduct"
	inner_product_param {
		num_output: 21 #類别數+1   ############

layer {
    bottom: "fc7"
    top:"bbox_pred"
    name:"bbox_pred"
    type:"InnerProduct"
    param {
       lr_mult:1.0
    }
    param {
       lr_mult:2.0
    }
    inner_product_param{
       num_output: 84   #4*（類别數+1）   ###########

（4） models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxt

layer {
	bottom: "fc7"
	top: "cls_score"
	name: "cls_score"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	type: "InnerProduct"
	inner_product_param {
		num_output: 21  類别數+1 #######

layer {
	bottom: "fc7"
	top: "bbox_pred"
	name: "bbox_pred"
	type: "InnerProduct"
	param {
		lr_mult: 1.0
	}
	param {
		lr_mult: 2.0
	}
	inner_product_param {
		num_output: 84  #4*（類别數+1） ##########

9.solver的修改

solver檔案有3個，預設使用的solver是solver_30k40k.prototxt，如下stage 1 rpn，可以在faster_rcnn-master\experiments\+Model\ZF_for_Faster_RCNN_VOC2007.m中更換。

model.stage1_rpn.solver_def_file                = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'solver_30k40k.prototxt');%solver_60k80k.prototxt
model.stage1_rpn.test_net_def_file              = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'test.prototxt');
model.stage1_rpn.init_net_file                  = model.pre_trained_net_file;

！！！為防止與之前的模型搞混,訓練前把output檔案夾删除（或改個其他名），還要把imdb\cache中的檔案删除（如果有的話）

更為簡便的方法是直接用你的資料集的Annotations、ImageSets、JPEGImages檔案夾替換VOC2007對應檔案夾，那麼上面隻需進行1.（3）、4、5、7、8的修改。

10.開始訓練

（1）.下載下傳預訓練的ZF模型： fetch_data/fetch_model_ZF.m （下載下傳失敗的話用百度雲下載下傳：https://pan.baidu.com/s/1o6zipPS ，解壓到faster_rcnn-master下，預訓練模型參數用于初始化）

（2）.運作：

experiments/script_faster_rcnn_VOC2007_ZF.m

經過一會的準備工作，就進入疊代了：

Faster-RCNN+ZF用自己的資料集訓練模型(Matlab版本) 在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

11.訓練完後

訓練完後，不要急着馬上測試，先打開output/faster_rcnn_final/faster_rcnn_VOC2007_ZF檔案夾，打開detection_test.prototxt，作如下修改：

将relu5（包括relu5）前的層删除，并将roi_pool5的bottom改為data和rois。并且前面input: "data"下的input_dim:分别改為1,256,50,50(如果是VGG就是1,512,50,50,其他修改基本一樣)，具體如下

input: "data"
input_dim: 1
input_dim: 256
input_dim: 50
input_dim: 50

# ------------------------ layer 1 -----------------------------
layer {
	bottom: "data"
	bottom: "rois"
	top: "pool5"
	name: "roi_pool5"
	type: "ROIPooling"
	roi_pooling_param {
		pooled_w: 6
		pooled_h: 6
		spatial_scale: 0.0625  # (1/16)
	}
}

12.測試

訓練完成後，打開\experiments\script_faster_rcnn_demo.m，将模型路徑改成訓練得到的模型路徑：

model_dir                   = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC2007_ZF')

将測試圖檔改成你的圖檔：

im_names = {'001.jpg', '002.jpg', '003.jpg'};

注意：如果你的資料集類别比voc2007資料集多，把script_faster_rcnn_demo.m中的showboxes(im, boxes_cell, classes, 'voc')作如下修改：改為：

showboxes(im, boxes_cell, classes);

或者：

showboxes(im, boxes_cell, classes, 'default');

即去掉‘voc’或将其改為‘default’。

如果測試發現出現的框很多，且這些框沒有目标，可以将門檻值設高一些（預設是0.6）：

thres = 0.9;

結果如下：

Faster-RCNN+ZF用自己的資料集訓練模型(Matlab版本) 在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

Faster-RCNN+ZF用自己的資料集訓練模型(Matlab版本) 在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

在訓練前請確定你的路徑faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn下有以下檔案：

1 、VOCdevkit2007\VOCcode\VOCinit.m的修改

（1）路徑的修改

（2）訓練集檔案夾修改

（3）标簽的修改

2 、VOCdevkit2007\results

3 、VOCdevkit2007\local

4 、function\fast_rcnn\fast_rcnn_train.m

5、function\rpn\proposal_train.m

6.imdb\imdb_eval_voc.m

7. imdb\roidb_from_voc.m

8.網絡模型的修改

（1） models\ fast_rcnn_prototxts\ZF\ train_val.prototxt

（2） models\ fast_rcnn_prototxts\ZF\ test.prototxt

（3） models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxt

（4） models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxt

9.solver的修改

10.開始訓練

11.訓練完後

12.測試

繼續閱讀

簡單文檔分類——樸素貝葉斯算法樸素貝葉斯算法簡單文檔分類執行個體步驟總結樸素貝葉斯分類調用(sklearn)

考證大全 | 證券從業資格考試

敲黑闆！2021年證券從業考試考點預測

2021年銀行從業考試考情介紹,果斷收藏!

證券從業合格證書什麼時候列印？有哪些注意事項？

【幹貨滿滿】初級銀行從業考試《個人理财》重點梳理

2020年經濟師考試，難嗎？

初級銀行從業資格證有什麼用？

MBA提前面試純幹貨分享

MBA值得學麼

吳恩達logistic回歸實作

【人工智能行業大師訪談1】吳恩達采訪 Geoffery Hinton

深度學習模型分析人類複雜疾病的準确性

【趨高機器視覺】機器視覺技術原了解析及解決方案

解碼器用于語義分割：資料依賴的解碼可以實作靈活的特征聚合

cs231n斯坦福基于卷積神經網絡的CV學習筆記（一）KNN和線性分類器/分類器損失/反向傳播一，KNN圖像分類算法二，線性分類器三，線性分類器損失四，反向傳播五，神經網絡