在开始之前需要部署Faster-RCNN TensorFlow版本，我本人是参考这篇博客的，在此感谢博主，但是用博主的方式在运行自己的数据集时并未成功，捣鼓几时，用以下步骤完成了tf-faster-rcnn 训练自己的数据集。并修改demo.py文件，具有可视化效果。

tf-faster-rcnn 训练自己的数据集

1.替换数据集：

删除“/VOCdevkit/VOC2007”文件夹下所有文件，新建三个文件夹，名字分别为：JPEGImages，Annotations和ImageSets，其中JPEGImages存放图片数据，如：

在fasterrcnn中输出fps_在fasterrcnn中输出fps

Annotations存放标记的ground truth文件，也就是xml文件，如：

在fasterrcnn中输出fps_在fasterrcnn中输出fps_02

ImageSets文件夹下新建三个文件夹，即：Layout，Main，Segmentations，如：

在fasterrcnn中输出fps_faster-rcnn_03

参考Creat_FRCNN_DataSet中VOC2007txt.m程序，matlab执行，记得改路径，生成四个文件：trainval.txt，test.txt，train.txt，val.txt，将这四个文件复制到刚刚建立的Layout，Main两个文件夹中。

（第一步需要注意的事：JPEGImages与Annotations下文件的名字要一一对应）

 

2.修改自己的类别

修改 /tf-faster-rcnn/lib/datasets/pascal_voc.py文件，找到这句话：

self._classes = ('__background__',  # always index 0
                     'aeroplane', 'bicycle', 'bird', 'boat',
                     'bottle', 'bus', 'car', 'cat', 'chair',
                     'cow', 'diningtable', 'dog', 'horse',
                     'motorbike', 'person', 'pottedplant',
                     'sheep', 'sofa', 'train', 'tvmonitor')

将其替换成自己的类别，如，我替换成如下：

self._classes = ('__background__',  # always index 0
                     'My little Huihui goddess')

其中  'My little Huihui goddess'是我自己的类别

（第二步需要注意的事：类别的名字要与标注数据时的类别数量一致，类别名一致，区分大小写，最好都是小写）

 

3.修改迭代次数，

修改/tf-faster-rcnn/experiments/scripts/train_faster_rcnn.sh文件，找到类似这段代码：

pascal_voc)
    TRAIN_IMDB="voc_2007_trainval"
    TEST_IMDB="voc_2007_test"
    STEPSIZE="[50000]"
    ITERS=20
    ANCHORS="[8,16,32]"
    RATIOS="[0.5,1,2]"

ITERS后面的数值代表是迭代次数，这里作者已经将其改成20，由于train_faster_rcnn.sh此文件最后一句话调用了test_faster_rcnn.sh，因此需要将test_faster_rcnn.sh中的代码做相同处理，即，改变迭代次数（要与train_faster_rcnn.sh文件中的迭代次数一致）

 

4.删除以往的训练模型：

删除文件夹/tf-faster-rcnn/output/vgg16/voc_2007_trainval/default下所有文件，

删除文件夹/tf-faster-rcnn/data/cache下所有的文件

 

5.删除标记缓存

删除文件夹/VOCdevkit/annotations_cache下的所有文件

注：如果不进行这一步很可能会出现Keyerror:一类的错误日志

 

6.训练及测试：

source activate tf-faster-rcnn

cd 到tf-faster-rcnn的目录下，我的是存放在/Github里面的

cd /Github/tf-faster-rcnn

训练：

GPU_ID=0
./experiments/scripts/train_faster_rcnn.sh 0 pascal_voc vgg16

测试：

./experiments/scripts/test_faster_rcnn.sh 0 pascal_voc vgg16

 

 

修改demo.py

在fasterrcnn中输出fps_TensorFlow_04

上图是原始tf-faster-rcnn项目中的demo.py演示部分，如果我们已训练好自己的模型，如何演示自己测试图片的可视化？

我们需要修改/tf-faster-rcnn/tools/demo.py文件

1.修改类别

找到这段代码：

CLASSES = ('__background__',
           'aeroplane', 'bicycle', 'bird', 'boat',
           'bottle', 'bus', 'car', 'cat', 'chair',
           'cow', 'diningtable', 'dog', 'horse',
           'motorbike', 'person', 'pottedplant',
           'sheep', 'sofa', 'train', 'tvmonitor')

保留'__background__'这一项，其余改成自己的类，如：

CLASSES = ('__background__',
           'My little Huihui goddess')

2.修改类别数

找到这段代码：

net.create_architecture("TEST", 21,
                          tag='default', anchor_scales=[8, 16, 32])

将21换成自己的类别数+1，由于我只有一个类“My little Huihui goddess”，因此这里改成2，如：

net.create_architecture("TEST", 2,
                          tag='default', anchor_scales=[8, 16, 32])

3.修改默认调用的模型

找到这段代码：

NETS = {'vgg16': ('vgg16_faster_rcnn_iter_70000.ckpt',),'res101': ('res101_faster_rcnn_iter_110000.ckpt',)}

修改你的模型的名字，我用的是vgg16来训练我的网络，迭代次数设置为200，所以我修改如下：

NETS = {'vgg16': ('vgg16_faster_rcnn_iter_200.ckpt',),'res101': ('res101_faster_rcnn_iter_110000.ckpt',)}

注：这个模型的名字也可以在你存放模型结果的文件夹下查看的，我存放的位置是：/tf-faster-rcnn/output/vgg16/voc_2007_trainval/default文件夹下的。

因为在这里我演示的是用vgg16来可视化目标检测的结果，而原始demo.py里面默认的是res101，因此我们需要做相应的修改，找到如下代码：

parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='res101')

修改如下：

parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16 res101]',
                        choices=NETS.keys(), default='vgg16')

4.修改调用模型的位置

因为我标注的数据集是替换了pascal_voc数据集，因此我的模型是存放在/tf-faster-rcnn/output/vgg16/voc_2007_trainval/default文件夹下的，但是demo.py文件默认的是调用训练pascal_voc_0712数据集的模型（改模型的位置是：/tf-faster-rcnn/output/vgg16/voc_2007_trainval+voc_2012_trainval），因此我们需要修改调用模型的位置，找到这段代码：

parser.add_argument('--dataset', dest='dataset', help='Trained dataset [pascal_voc pascal_voc_0712]',
                        choices=DATASETS.keys(), default='pascal_voc_0712')

修改为：

parser.add_argument('--dataset', dest='dataset', help='Trained dataset [pascal_voc pascal_voc_0712]',
                        choices=DATASETS.keys(), default='pascal_voc')

5.修改测试图片索引

找到这段代码：

print('Loaded network {:s}'.format(tfmodel))

    im_names = ['000456.jpg', '000542.jpg', '001150.jpg',
                '001763.jpg', '004545.jpg']
    for im_name in im_names:
        print('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
        print('Demo for data/demo/{}'.format(im_name))
        demo(sess, net, im_name)

将im_names=[.....]替换成想要测试的图片名子，如：

print('Loaded network {:s}'.format(tfmodel))

    im_names = ['000001.jpg', '000002.jpg', '000003.jpg',
                '000006.jpg', '000008.jpg']
    for im_name in im_names:
        print('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
        print('Demo for data/demo/{}'.format(im_name))
        demo(sess, net, im_name)

 将相应的000001.jpg，000002.jpg，000003.jpg等，移动到/tf-faster-rcnn/data/demo/文件夹下

6.运行

source activate tf-faster-rcnn

cd 到tf-faster-rcnn的目录下，我的是存放在/Github里面的

cd /Github/tf-faster-rcnn
GPU_ID=0
CUDA_VISIBLE_DEVICES=${GPU_ID} ./tools/demo.py

注意GPU_ID=0一定要加上，不然会出现“no CUDA-capable device is detected”日志，运行的结果应该是没有进行优化后的结果。