FasterRCNN目标检测实践纪实

首先声明参考博客：https://blog.csdn.net/beyond_xnsx/article/details/79771690?tdsourcetag=s_pcqq_aiomsg

实践过程主线参考这篇博客，相应地方进行了变通。接下来记载我的实践过程。

一、GPU版的TensorFlow的安装

准备工作：

笔者电脑是Windows10企业版操作系统，在这之前已经通过Anaconda安装了python3.5.2和CPU版本的TensorFlow1.12.0。Anaconda就跟普通的软件一样，下载完图形化界面引导式安装就可以，不会的百度一大堆，这里就不说这个了。     笔者也不确定CPU版TensorFlow和GPU版的TensorFlow可以并存否，不过据我资料搜索显示可以并存，不过，笔者也是初学，为了安全起见，就决定先卸载掉CPU版的TensorFlow，在Anaconda Prompt中输入pip uninstall TensorFlow，有时候可能显示没有找到或无法卸载之类的提示，为了保险，笔者进入Anaconda文件系统内部（笔者的路径：D:\DevelopmentTools\Anaconda3\Lib\site-packages），手动将TensorFlow和TensorBoard两个文件夹删除掉了，也就是说这个完全可以手动删除，但要把相关的删除干净为好，不一定非得要命令行卸载。    下面开始GPU版TensorFlow的安装：

1、英伟达（NVIDIA）CUDA和CuDnn的安装

英伟达显卡更多是面向游戏用户的，所以并未直接在驱动中内置关于深度学习的组件，所以需要将用于支持深度学习的组件添加进NVIDIA驱动或安装包，这里有两个东西：CUDA和CuDnn。

笔者电脑的GPU是NVIDIA GeForce GTX 1060 with Max-Q Design，所以首先查看下自己的GPU是否支持CUDA功能，如果支持，那么CUDA和CuDnn不同版本选择和GPU型号没有关系，主要看其和TensorFlow版本的兼容性，如果版本不兼容，会产生一系列问题，令人琢磨不透，这个还是要弄清楚才好。笔者最终选择的是CUDA9.0和CdDnn9.0，对应选择的TensorFlow版本是1.10.0。下一步来讲TensorFlow安装

CUDN网盘链接：链接：https://pan.baidu.com/s/1VAw1bMtSyUmJ4Uv7X44MsA      提取码：mgam

CuDnn网盘链接：链接：https://pan.baidu.com/s/175b0OId84-xbzhq24eAv5w 提取码：q7ni

CUDN的安装用cuda_9.0.176_win10.exe就和普通软件安装一样，目录使用默认的，环境变量自动添加。然后将cuda9.0+cudnn-9.0-windows10-x64-v7.1.zip解压到一个目录等待使用即可，如下：

这里，就完成了GPU端的相关内容。    下面进入TensorFlow的安装。

2、TensorFlow-gpu的安装

进入Anaconda Prompt命令行下，使用pip install --ignore-installed --upgrade tensorflow-gpu==1.10.0来安装，会自动下载安装的。这里需要注意的是版本号是否兼容，这里使用的是TensorFlow-gpu-1.10.0和CUDA9.0，其它版本需要查证版本兼容问题，而且这里安装会提示不兼容的错误的，还有之前若有CPU版TensorFlow可能会有不确定的问题，我是卸载删除干净之后才进行安装的。

3、测试

在命令行中，进入python，并输入以下代码：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
输出：
b’ Hello, TensorFlow!

出现如上界面信息，没有明显的异常错误信息，就表示TensorFlow-gpu安装成功。  下面进入FasterRCNN相关内容。

二、下载并部署FasterRCNN的源码

代码GitHub链接：https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5

这里还有一点，需要安装cython, python-opencv, easydict三个包，同理，在Anaconda Prompt命令行下，用pip来安装，如果以有opencv，就不用安装python-opencv了。

下载完，直接用PyCharm打开即可，

三、数据集

可以收集自己的数据，进行标注，使用labelImg-master工具进行标注，按照VOC2007规范化数据图片及标注结果的xml文件。我这里将组中集体合作标注的数据集修改了又修改，但是最终还是没能正确使用起来，我修改的内容就是那些未被标注的图片和标注不兼容的图片，前者是直接将未被标注的图片和相关文件删除掉，后者是重新标注。 自己标注的数据集总是有问题，目前还没有解决，之后会更新。

最终使用公有数据集进行训练，如下：

下载数据集

http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
将三个文件同时解压到VOCdevkit2007目录下（三个都解压到一个文件夹下），并将VOCdevkit2007目录存放于data目录下
文件名和路径结构一定要设置对，否则会报错

然后就用此数据集替换项目代码中的数据集，以本人的pycharm项目路径为例，如：D:\IDE\PyCharm\Project\Faster-RCNN-TensorFlow-Python3.5-master\data\VOCdevkit2007\VOC2007

直接替换即可。

四、预训练模型植入

简单讲，这里相当于一个迁移学习，因为自己从零开始训练一个模型很费劲，关键是要想训练出比较准确或者说很准确的模型，那要耗费很高的GPU资源和更多的时间，所以这里就是运用别人训练了一部分的一个模型，叫做预训练模型，选择Vgg16预训练模型，下载链接：http://download.tensorflow.org/models/vgg_16_2016_08_28.tar.gz

解压 并改名为vgg16.ckpt(原来是vgg_16.ckpt) 后 存放在 Faster-RCNN-TensorFlow-Python3.5-master\data\imagenet_weights\ 目录下（注：这个imagenet_weights文件夹并不存在，自己新建一个即可），解压后一定要改名为vgg16.ckpt 而不是vgg_16.ckpt否则会报错：

五、开始训练

这时，就可以运行train.py了，我大约训练了七八个小时吧，我是凌晨12点睡觉前开始训练，早上起来就训练好了，

六、运行demo.py

然后运行demo.py，就可以对文件夹下的六张图片进行标注并显示了