我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

Faster R-CNN

2022-06-11 model:faster-r-cnn-ubuntu18.04-cuda10.0-cudnn7-python3.7-pytorch1.2.0-new

模型标签
图像分类目标检测智慧医疗智慧交通/自动驾驶安防监控

模型简介

模型介绍:Faster R-CNN可以简单地看做“区域生成网络RPNs + Fast R-CNN”的系统,用区域生成网络代替FastR-CNN中的Selective Search方法。Faster R-CNN这篇论文着重解决了这个系统中的三个问题:1. 如何设计区域生成网络;2. 如何训练区域生成网络;3. 如何让区域生成网络和Fast RCNN网络共享特征提取网络。 《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》发表于2015年由Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun创作。官方论文:https://arxiv.org/abs/1506.01497v3


  1. 使用方法

  2. 模型来源


1. 使用方法

由于cuda版本低于11.0,故仅支持2080 Ti/P40/V100机器进行复现

1.1. 准备数据集

在终端,在root/faster-rcnn(默认)路径下,运行以下命令:

cd ../..
# 进入根目录
cp -r datasets/voc2007/VOCdevkit ../../root/faster-rcnn
# 将复现所需的公开数据集复制到指定文件夹下
cd root/faster-rcnn
python voc_annotation.py
# 生成2007_train.txt和2007_val.txt

1.2. 模型推断

在终端,进入root/faster-rcnn(默认)路径下,运行以下命令:

python predict.py

1.3. 模型训练

在终端,进入root/faster-rcnn(默认)路径下,运行以下命令:

python train.py
# 按需可修改batch_size的大小
# 在训练生成的权值会保存在logs文件夹中

1.4. 模型评估

在终端,进入root/faster-rcnn(默认)路径下,运行以下命令:

python get_map.py

2. 模型来源

https://github.com/bubbliiiing/faster-rcnn-pytorch