Python 在自定义数据集上训练更快的RCNN
我正在尝试对两类问题运行更快的RCNN,例如,Python 在自定义数据集上训练更快的RCNN,python,computer-vision,deep-learning,caffe,object-recognition,Python,Computer Vision,Deep Learning,Caffe,Object Recognition,我正在尝试对两类问题运行更快的RCNN,例如,obj1和obj2 我已经以Pascal格式存储了数据 我还将caffe定义最后一层的输出数量更改为3(即2+BG)和12(4*3) 由于某些原因,我不能使用预训练模型 现在,我想为上述两个课程从头开始训练caffe模型。所以我的问题是,;如果我正在运行以下命令 ./tools/train_net.py --gpu 0 --imdb voc_2007_trainval --cfg experiments/cfgs/config.yml --solve
obj1
和obj2
caffe
模型。所以我的问题是,;如果我正在运行以下命令
./tools/train_net.py --gpu 0 --imdb voc_2007_trainval --cfg experiments/cfgs/config.yml --solver models/pascal_voc/ZF/faster_rcnn_end2end/solver.prototxt --iter 10000
它是否符合我的要求(或我的想法),即
obj1
和obj2
的对象分类和定位。或者,发生了其他事情?因为,对于我通过运行10000次迭代获得的模型,我的AP值非常低(obj1=0.042
;obj2=0.006
) 如果您已将obj1
和obj2
类的数据安排为PASCAL格式,则您正确运行了培训代码
我假设您在创建提到培训和测试样本的文本文件时特别小心。请参阅PASCAL设置以获取参考。我发现从头开始调整SSD探测器要容易得多。