之前用Fast_rcnn 的例子训练自己的数据集，但是由于Fast_rcnn　例子中用的是预先处理好的图片文件（就是吧图片先用selective-search 把图片预先处理成matlab的.mat文件）。所以再用Fast_rcnn 训练自己的数据图图片时，也要把自己的图片先预处理。终于把数据弄的一致了。但是网络又不收敛。所以改用Faster_rcnn。　相比Fast_rcnn 好用的多。

一　首先下载Faster_rcnn 项目

１）项目地址　https://github.com/rbgirshick/py-faster-rcnn　在你想放置的文件夹下面执行： git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git     　一定要有--recursive 否则不会下载caffe 部分 ２）进入Faster_rcnn 根目录下 　　cd $FRCN_ROOT/lib 　　make        编译的过程有可能有gcc版本的错误。我在之前编译别的软件的时候将gcc版本降低了，编译不通过。把gcc和 g++ 版本调高后编译顺利通过。 ３）编译Caffe and pyCaffe。　这里的caffe并不是正常的caffe,也不需要自己下载。系统需要安装caffe 的依赖环境　，具体参考      caffe 官方文档，在编译之前需要修改Makefile文件。 　　cd $FRCN_ROOT/caffe-fast-rcnn        cp Makefile.config.example Makefile.config 　　修改如下两处        # In your Makefile.config, make sure to have this line uncommented 　　WITH_PYTHON_LAYER := 1 　　# Unrelatedly, it's also recommended that you use CUDNN 　　USE_CUDNN := 1 　　如果编译时提示找不到hdf5,则需要添加hdf5的路径。我的配如下 　　# Whatever else you find you need goes here. 　　INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial 　　LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu  /usr/lib/x86_64-linux-gnu/hdf5/serial 　　配置好后开始编译： 　　make -j8 && make pycaffe ４）编译完成后下载预训练的模型 　　cd $FRCN_ROOT 　　./data/scripts/fetch_faster_rcnn_models.sh 　　有可能需要翻墙下载。总之把模型下好。跑一下demo         cd $FRCN_ROOT 　　./tools/demo.py 　　没错误的话应该看到几张图片的识别实例（要是ssh 登录服务器会提示没有显示设备）

二　训练自己的数据

训练自己的图片数据需要将自己的图片变为VOC格式。可以按照github上的文档，下载pascalVOC数据集，然后将文件都删掉，用自己的数据替换。我这里没这样做，下载太慢了。　因为之前弄过Fast_rcnn,目录结构直接自己建立就行了。先说一下目录组织结构 $FRCN_ROOT--|                           |-data-|                                      |-VOCdevkit2007-|                                                                  |-VOC2007-|                                                                                     |-Annotations- (存放图片的.xml)                                                                                     |-JPEGImages-（存放图片本身）                                                                                     |-ImageSets-|                                                                                                          |-Main-(存放  train.txt test.txt trainval.txt val.txt) 1) 将图片中的目标区域提取出来变为xml文件，每张图片一个xml文件。　我用的是Python-Based-Labeling-Tool-for-PASCAL-VOC-master　这个工具，也可以在github 上有个py-faster-rcnn-data-interface-generator 这个工具或者自己写个小脚本。至于工具怎么用自行百度。 2) Main 文件夹下的四个文件由python 脚本生成createdata.py #!/usr/bin/env python import numpy as np import os import random """ create_imageset.py Create .txt files containing the names of the imageset for training, validation and testing for the pascal_voc benchmark. """ DATASET_PATH = '$Faster_rcnn/data/VOC2007' test = [] train = [] val = [] trainval = [] #test_probality = 0.2 #train_probablity = 0.5 test_probability = 0.2 train_probability = 0.8 def save_imagesets(imageset_path): with open(os.path.join(imageset_path, "test.txt"), "w") as test_file: test_file.write('\n'.join(i for i in test)) with open(os.path.join(imageset_path, "train.txt"), "w") as train_file: train_file.write('\n'.join(i for i in train)) with open(os.path.join(imageset_path, "val.txt"), "w") as val_file: val_file.write('\n'.join(i for i in val)) with open(os.path.join(imageset_path, "trainval.txt"), "w") as trainval_f: trainval_f.write('\n'.join(i for i in trainval)) 　　　 f __name__ == '__main__': # get all files that have an existing annotation annotation_path = os.path.join(DATASET_PATH, 'Annotations') imageset_path = os.path.join(DATASET_PATH, 'ImageSets', 'Main') files = [f for f in os.listdir(annotation_path)] files.sort() for f in files: # strip extenstion short_name = os.path.splitext(f)[0] # decide whether its testing (p=0.5) or trainval(p=0.5) if random.random() < test_probability : test.append(short_name) else: trainval.append(short_name) # train (p=0.5) or val (p=0.5) if random.random() < train_probability: train.append(short_name) else: val.append(short_name) print("ImageSets saved") save_imagesets(imageset_path) 3) 将自己的图片和文件放到对应的文件夹下面 4) 下载ImageNet数据集下预训练得到的模型参数（用来初始化） 5) 修改网络参数，这里用的是ZF网络，修改／models/faster_rcnn_alt_opt配置文件 配置文件的修改可以参考下面这篇博客 博客地址　http://blog.csdn.net/sinat_30071459/article/details/51332084