retinanet训练自己的数据（resnet50训练自己的数据集）



• 自定义训练数据
• 图片目标标注
• 生成训练文件（图片名称、目标标注位置、目标类别）
• 调整参数、训练模型
• 转换生成的模型
• 用转换后的模型进行目标检测

1.下载包、安装环境

从Github上下载keras-retinanet库

pip install . —-user 把库配置到当前环境中

python setup.py build_ext —inplace 编译Cpython代码

2. 准备数据集

新建Annotations、ImageSets、JPEGImages三个文件夹

Annotations:存放用”lamlImg”软件标注生成的xml文件

JPEGImages:存放用于训练和测试的数据图片

ImageSets —> Main:存放用 gen_main_txt.py 按比例随机抽样切分的训练集、测试集、验证集

gen_csv.py:生成包含文件名、目标位置、目标类型的annotations.csv、classes.csv

debug.py:测试数据是否生成成

3.模型训练：

修改batch-size、image-min-side、image-max-side适应小内存的GPU：

　　python keras_retinanet/bin/train.py csv F:/RetinaNet/annotations.csv  F:/RetinaNet/classes.csv

根据识别的目标类型数确定合适的epochs、steps

4.模型应用

转换训练生成的.h5文件：

　　python keras_retinanet/bin/convert_model.py snapshots/resnet50_csv_08.h5 F:/RetinaNet/examples/model_08.h5

Get.py 文件配置转换后的h5模型文件地址与目标图像的地址

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/sjkxydsj/11467.html