RetinaNet訓練自己的數據用於目標檢測

主要的步驟

• 自定義訓練數據
• 圖片目標標注
• 生成訓練文件（圖片名稱、目標標注位置、目標類別）
• 調整參數、訓練模型
• 轉換生成的模型
• 用轉換后的模型進行目標檢測

具體內容

1.下載包、安裝環境

從Github上下載keras-retinanet庫

pip install . —-user 把庫配置到當前環境中

python setup.py build_ext —inplace 編譯Cpython代碼

 

2. 准備數據集

新建Annotations、ImageSets、JPEGImages三個文件夾

Annotations:存放用”lamlImg”軟件標注生成的xml文件

JPEGImages:存放用於訓練和測試的數據圖片

ImageSets —> Main:存放用 gen_main_txt.py 按比例隨機抽樣切分的訓練集、測試集、驗證集

gen_csv.py:生成包含文件名、目標位置、目標類型的annotations.csv、classes.csv

debug.py:測試數據是否生成成

 

3.模型訓練：

修改batch-size、image-min-side、image-max-side適應小內存的GPU：

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

根據識別的目標類型數確定合適的epochs、steps

 

4.模型應用

轉換訓練生成的.h5文件：

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

Get.py 文件配置轉換后的h5模型文件地址與目標圖像的地址