掃一掃
服務(wù)近2000家企業(yè)，依托一系列實踐中打磨過的技術(shù)和產(chǎn)品，根據(jù)企業(yè)的具體業(yè)務(wù)問題和需求，針對性的提供各行業(yè)大數(shù)據(jù)解決方案。
目標檢測-圖片視頻識別系統(tǒng)
來源：未知 時間：2021-41-9 瀏覽次數(shù)：211次
目標檢測（Object Detection）的任務(wù)是找出圖像中所有感興趣的目標（物體），確定它們的類別和位置，是計算機視覺領(lǐng)域的核心問題之一。由于各類物體有不同的外觀、形狀和姿態(tài)，加上成像時光照、遮擋等因素的干擾，目標檢測一直是計算機視覺領(lǐng)域最具有挑戰(zhàn)性的問題。該軟件實現(xiàn)了目標視頻檢測過程，訓練好的模型可直接做預(yù)測，也可以做二次訓練
一、工程內(nèi)容
這個程序是基于tensorflow實現(xiàn)Fast-RCNN功能。
二、開發(fā)環(huán)境
Ubuntu16.04（i5-7500 + GTX 1070Ti ） + python3.5 + tensorflow1.3 + cv2 + roi-pooling
roi-pooling ：是需要額外安裝的op
github地址為：https://github.com/deepsense-ai/roi-pooling
安裝的必須條件：linux系統(tǒng) + GPU
安裝過程的坑：注意makefile文件中cuda的安裝路徑是否與自己電腦上的安裝路徑一致
tensorflow1.4以上版本還可能涉及到動態(tài)庫的問題，不過網(wǎng)上都有解決方案
三.數(shù)據(jù)集
通用數(shù)據(jù)集：
數(shù)據(jù)集來源：北京理工大學BIT車輛數(shù)據(jù)集（1萬張照片、6類車輛）
數(shù)據(jù)集數(shù)量：從1萬張中選取了2100張，每一類350張。
數(shù)據(jù)集制作：由于數(shù)據(jù)源沒有帶xml文件，帶了mat文件，所以重新制作了PASCAL VOC格式的xml標注文件。
數(shù)據(jù)集下載地址：https://pan.baidu.com/s/1X-8E5eGldAfTHdyJXlFllA 密碼：ivq8
自己用的數(shù)據(jù)集：接觸網(wǎng)6C成像圖（由于在車數(shù)據(jù)集上的實驗結(jié)果被誤刪了、所以下面用此數(shù)據(jù)集的實驗結(jié)果展示）
四、程序說明
1、config.py---網(wǎng)絡(luò)定義、訓練與數(shù)據(jù)處理所需要用到的參數(shù)
2、Net.py---用于定義Alexnet_Net模型
4、Data.py---用于處理數(shù)據(jù)的各種方法
5、train.py---用于各類模型的訓練與測試、主函數(shù)
6、selectivesearch.py---選擇性搜索代碼
五、 文件夾說明
1、Data：
Annotations--存放圖片標注的xml文件（手動存放）
Images --存放用于訓練與測試的圖片（手動存放）
Processes --存放處理xml文件之后形成圖片label信息的npy文件（程序執(zhí)行）
all_list.txt --存放圖片序號 用于處理與序號所對應(yīng)的xml文件，以形成label信息的npy文件（手動存放）
test_list.txt --存放測試圖片序號（手動存放）
train_list.txt --存放訓練圖片序號（手動存放）
2、Output --存放訓練過程的config文件、log文件、weight文件（程序執(zhí)行）
3、Test_output 圖片 -- 存放測試圖片的測試結(jié)果（程序執(zhí)行）
4、train_alexnet
存放Alexnet的在Imagenet上訓練好的權(quán)重，用這個權(quán)重來finetune （手動存放）
六、實驗結(jié)果展示
自己用的數(shù)據(jù)集：接觸網(wǎng)6C成像圖（由于在車數(shù)據(jù)集上的實驗結(jié)果被誤刪了、所以下面用此數(shù)據(jù)集的實驗結(jié)果展示
（只是為了驗證自己寫的程序沒有錯誤，并未經(jīng)過十分深入的調(diào)參，所以結(jié)果的準確度應(yīng)該可用再提升）
檢測結(jié)果：
特征層可視化結(jié)果（第五個卷積層經(jīng)過relu后第49張?zhí)卣鲌D）：
七、程序問題
1.由于此次的程序大體上都是自己編寫，代碼或許不太健壯。在自己的環(huán)境下運行過沒有問題，如在其他環(huán)境下不能運行應(yīng)該只需要微調(diào)下
2.程序使用流程：
---------------------訓練過程---------------------------
A.將需要訓練與測試的圖片放入Data/Images文件夾，將XML文件放入Data/Annotation文件夾
B.將要訓練與測試圖片的編號寫入all_list,訓練圖片的編號寫入train_list，測試圖片的編號寫入test_list
C.下載Alexnet預(yù)訓練權(quán)重，放入Alexnet_weight文件夾。
權(quán)重下載地址：https://pan.baidu.com/s/1XhEpG_dNeUlnegH4zYxgrw 密碼：l7um
D.針對自己的項目修改config文件中的參數(shù)
E.將train.py中main函數(shù)的train改為True，開始訓練
----------------------測試過程---------------------------
A.修改config中的weight_file改為你訓練輸出的權(quán)重文件地址
B.修改train.py文件第29行為：
self.variable_to_restore = slim.get_variables_to_restore((exclude=[])
C.將train.py中main函數(shù)的train改為False，開始測試
3.Fast_RCNN檢測的準確度與提取的候選框質(zhì)量有很大的關(guān)系、因此提取候選框的算法至關(guān)重要。
在我的數(shù)據(jù)集上selectivesearch提取候選框的效果并不好所以自己根據(jù)自己數(shù)據(jù)集的特點重新
寫了一個候選框提取的算法，以此達到了還算不錯的效果。這里還是放上了selectivesearch的提取算法。
軟件下載 目標檢測-圖片視頻識別系統(tǒng)1 http://filesearch.ixiera.com/XHEasyTST1.zip
目標檢測-圖片視頻識別系統(tǒng)2 http://filesearch.ixiera.com/XHEasyTST2.zip
軟件下載 目標檢測-圖片視頻識別系統(tǒng)1 http://filesearch.ixiera.com/XHEasyTST1.zip
目標檢測-圖片視頻識別系統(tǒng)2 http://filesearch.ixiera.com/XHEasyTST2.zip