Faster R-CNN

环境配置：

• Python3.6或者3.7
• Pytorch1.5(注意：是1.5)
• pycocotools(Linux: pip install pycocotools;
  Windows:pip install pycocotools-win(如果报错，需要Microsoft Visual C++ 14))
• Ubuntu或Centos(不建议Windows)
• 最好使用GPU训练

文件结构：

• ├── backbone: 特征提取网络，可以根据自己的要求选择
• ├── network_files: Faster R-CNN网络（包括Fast R-CNN以及RPN等模块）
• ├── train_utils: 训练验证相关模块（包括cocotools）
• ├── my_dataset.py: 自定义dataset用于读取VOC数据集
• ├── train_mobilenet.py: 以MobileNetV2做为backbone进行训练
• ├── train_resnet50_fpn.py: 以resnet50+FPN做为backbone进行训练
• ├── train_multi_GPU.py: 针对使用多GPU的用户使用
• ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试
• ├── pascal_voc_classes.json: pascal_voc标签文件

预训练权重下载地址（下载后放入backbone文件夹中）：

• MobileNetV2 backbone: https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
• ResNet50+FPN backbone: https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth

数据集，本例程使用的是PASCAL VOC2012数据集(下载后放入项目当前文件夹中)

• Pascal VOC2012 train/val数据集下载地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
• 如果需要使用Pascal VOC2012 test数据集请参考：https://pjreddie.com/projects/pascal-voc-dataset-mirror/
• 如果不了解数据集或者想使用自己的数据集进行训练，请参考我的bilibili：https://b23.tv/F1kSCK

如果对Faster RCNN原理不是很理解可参考我的bilibili

• https://b23.tv/sXcBSP

训练方法

• 确保提前准备好数据集
• 确保提前下载好对应预训练模型权重
• 若要训练mobilenetv2+fasterrcnn，直接使用train_mobilenet.py训练脚本
• 若要训练resnet50+fpn+fasterrcnn，直接使用train_resnet50_fpn.py训练脚本
• 若要使用多GPU训练，使用 "python -m torch.distributed.launch --nproc_per_node=8 --use_env train_multi_GPU.py" 指令,nproc_per_node参数为使用GPU数量