2021年2月8日更新：
加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。
- 性能情况 Performance
- 所需环境 Environment
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- 评估步骤 How2eval
- 参考资料 Reference
| 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 |
|---|---|---|---|---|---|
| VOC07+12 | rfb_weights.h5 | VOC-Test07 | 300x300 | - | 79.95 |
本库实现的是RFBNet300-E。
tensorflow-gpu==1.13.1
keras==2.1.5
训练所需的RFB_weights.h5可以在百度云下载。
链接: https://pan.baidu.com/s/1u3j_6mRTJQZLiIHFRejnug
提取码: i1jr
VOC数据集下载地址如下：
VOC2007+2012训练集
链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9
VOC2007测试集
链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda
- 下载完库后解压，在百度网盘下载RFB_weights.h5，放入model_data，运行predict.py，输入
img/street.jpg- 利用video.py可进行摄像头检测。
- 按照训练步骤训练。
- 在rfb.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。
_defaults = {
"model_path": 'model_data/RFB_weights.h5',
"classes_path": 'model_data/voc_classes.txt',
"model_image_size" : (300, 300, 3),
"confidence": 0.5,
}- 运行predict.py，输入
img/street.jpg- 利用video.py可进行摄像头检测。
- 本文使用VOC格式进行训练。
- 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
- 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
- 在训练前利用voc2ssd.py文件生成对应的txt。
- 再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。注意不要使用中文标签，文件夹中不要有空格！
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]- 此时会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。
- 在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，示例如下：
model_data/new_classes.txt文件内容为：
cat
dog
...- 将train.py的NUM_CLASSSES修改成所需要分的类的个数+1，运行train.py即可开始训练。
评估过程可参考视频https://www.bilibili.com/video/BV1zE411u7Vw
步骤是一样的，不需要自己再建立get_dr_txt.py、get_gt_txt.py等文件。
- 本文使用VOC格式进行评估。
- 评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
- 评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
- 在评估前利用voc2rfb.py文件生成对应的txt，评估用的txt为VOCdevkit/VOC2007/ImageSets/Main/test.txt，需要注意的是，如果整个VOC2007里面的数据集都是用于评估，那么直接将trainval_percent设置成0即可。
- 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。
- 运行get_dr_txt.py和get_gt_txt.py，在./input/detection-results和./input/ground-truth文件夹下生成对应的txt。
- 运行get_map.py即可开始计算模型的mAP。
更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
get_map文件克隆自https://github.com/Cartucho/mAP
具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw
https://github.com/pierluigiferrari/ssd_keras
https://github.com/kuhung/SSD_keras
https://github.com/ruinmessi/RFBNet
https://github.com/Cartucho/mAP