Faster R-CNN实现安防中安全帽佩戴目标检测（python开发源码+项目说明）.zip

## 基于Faster R-CNN的安全帽目标检测 **Xu Jing** ### 0. :bug: 关于数据 + 请参考<https://github.com/DataXujing/YOLO-V3-Tensorflow> ### 1. :fire: 训练模型前的准备 + A.数据准备 数据的标注仍然采用VOC格式的数据标注形式，如果是其他的标注形式比如COCO请自行实现相关代码。将数据最终转化为如下形式： ``` # 单行数据的结构： (path_filename, x1, y1, x2, y2, class_name) # Note: # 一个path_filename 可能对应多个类别(class_name)，每个类别占用一行数据 # x1, y1, x2, y2 是原图像的坐标, 而不是ratio后图像上的坐标 # (x1, y1) 标注框的左上坐标; (x2, y2) 标注框的右下坐标 # x1,y1------------------- # | | # | | # | | # | | # ---------------------x2,y2 ``` 可以运行如下代码实现数据集的准备工作: ``` python3 ./data/data_pro.py ``` 将在`./data`文件夹下生成`annotation.txt`文件，这样训练数据的准备工作即完成。 ``` # path_filename, x1, y1, x2, y2, class_name /home/myuser/xujing/Faster-R-CNN_hat/data/JPEGImages/000605.jpg,37,12,151,154,hat /home/myuser/xujing/Faster-R-CNN_hat/data/JPEGImages/000605.jpg,243,1,393,176,hat /home/myuser/xujing/Faster-R-CNN_hat/data/JPEGImages/PartB_02176.jpg,92,593,180,684,person /home/myuser/xujing/Faster-R-CNN_hat/data/JPEGImages/PartB_02176.jpg,229,648,357,777,person ``` + B.配置文件准备 根据自己的训练集和训练任务修改`./keras_frcnn/config.py`的配置文件,相关参数的解释和配置如下： ``` self.verbose = True # 显示训练过程 self.network = 'vgg' # backbone 目前支持vgg(VGG16),resnet50,xception,inception_resnet_v2 # 数据增强策略 self.use_horizontal_flips = False # 水平随机裁剪 self.use_vertical_flips = False # 垂直随机裁剪 self.rot_90 = False # 随机90度旋转 # Anchor Box的scale # 根据具体的情况去修改，一般是图像或目标的大小做调整！！！！ # self.anchor_box_scales = [128,256,512] self.anchor_box_scales = [4,8,16,64,128,256,512,1024] # Anchor Box的ratio self.anchor_box_ratios = [[1, 1], [1, 2], [2, 1]] # self.anchor_box_ratios = [[1, 1]] # 图像最小变填充后的尺寸 self.im_size = 600 # 图像channel-wise上的mean和std,这个值是根据ImageNet数据集得到的 # 可以根据自己训练集调整 self.img_channel_mean = [103.939, 116.779, 123.68] self.img_scaling_factor = 1.0 # 一次得到的ROI的个数 self.num_rois = 32 # RPN网络特征图的缩小倍数(VGG16的是16,其他网络请自行修改该参数) # 换网络时 要换的！！！ self.rpn_stride = 16 # 训练时是否做类别blance self.balanced_classes = False # Regression时的scaling the stdev self.std_scaling = 4.0 self.classifier_regr_std = [8.0, 8.0, 4.0, 4.0] # 训练集制作过程中的正负样本的划分策略，详细才考faster R-CNN原论文 # overlaps for RPN self.rpn_min_overlap = 0.3 self.rpn_max_overlap = 0.7 # overlaps for classifier ROIs self.classifier_min_overlap = 0.1 self.classifier_max_overlap = 0.5 # class类别映射 self.class_mapping = None # base network的预训练模型的存放位置 # keras预训练模型可以在这里下载： https://github.com/fchollet/deep-learning-models self.model_path = './pre_train/vgg16_weights_tf_kernels_notop.h5' # 我们使用VGG16 ``` ### 2. :racehorse: 训练模型 预训练模型的下载地址： <https://github.com/fchollet/deep-learning-models> Shell下运行： ``` python3 train_frcnn.py --path="./data/annotation.txt" --network="vgg" --input_weight_path="./pre_train/vgg16_weights_tf_kernels_notop.h5" ``` windows下直接运行我们写好的批处理文件： ``` run_train.bat ```  ### 3. :rocket: 模型推断 将需要测试的图像和视频拷贝到`./new_test`文件夹 + A.单张图像推断 Shell下运行： ``` python3 test_frcnn.py --path="./new_test" ``` windows下直接运行我们写好的批处理文件： ``` run_inference.bat ``` + B.视频推断 Shell下运行： ``` python3 test_frcnn_video.py --path="./new_test/test_video.mp4" ``` windows下直接运行我们写好的批处理文件： ``` test_video.bat ``` ### 4. :tada: DEMO    ### :white_check_mark: Reference [1] [Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, 2015](https://arxiv.org/pdf/1506.01497.pdf) [2] [Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, 2016](https://arxiv.org/pdf/1602.07261.pdf) [3] [https://github.com/you359/Keras-FasterRCNN](https://github.com/you359/Keras-FasterRCNN) [4] [Keras Pretrained Model Zoo](https://github.com/fchollet/deep-learning-models) [5] [Hat Data Introduction](https://github.com/DataXujing/YOLO-V3-Tensorflow)