https://blog.csdn.net/u011956147/article/details/53239325 https://blog.csdn.net/u011574296/article/details/78953681 2018年01月02日 17:13:59 ZealCV 阅读数:10459 标签: faster-r-cnn数据标注 更多 个人分类: 深度学习   版权声明:本文为博主原创文章,欢迎转载,请注明出处 https://blog.csdn.net/u011574296/

Yolo算法,在进行模型训练时,常常使用VOC数据格式. 将图片文件复制到JPEGImages目录下,需要对文件名进行VOC标准格式编号重命名,如2020_000001.jpg,2020_000002.jpg,这样便于voc_label.py来进行后续处理. 这个工作如果手工作业,是个体力活.因此使用python脚本来做,可以重复使用. python脚本如下,文件名为renamefiles.py. 1 # -*- coding:utf-8 -*- 2 ​ 3 # 读取指定目录,并将指定后缀的文件

本人新写的3个pyhton脚本. (1)单张图片的resize: # coding = utf-8 import Image def convert(width,height): im = Image.open("C:\\workspace\\PythonLearn1\\test.jpg") out = im.resize((width, height),Image.ANTIALIAS) out.save("C:\\workspace\\PythonLearn1\\test.

layer { name: "data" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { mirror: true crop_size: 600 mean_file: "examples/images/imagenet_mean.binaryproto" } data_param { sourc

(一):进入GitHub下载模型-->下载地址 因为我们需要slim模块,所以将包中的slim文件夹复制出来使用. (1):在slim中新建images文件夹存放图片集 (2):新建model文件夹用来放模型 (3):在datasets文件夹中新建myimages.py文件 # Copyright 2016 The TensorFlow Authors. All Rights Reserved. # # Licensed under the Apache License, Version 2.0

现在我们已经拍好了需要训练的图片,接下来就是进行训练 流程图: 我们在这里用到了numpy库,NumPy是一个功能强大的Python库,主要用于对多维数组执行计算. 使用numpy的目的是减少python代码中的循环,以及提高数组运算的效率. 对于numpy性能的提升程度,我们可以从这段代码中直观感受到: import datetime as dt import numpy as np n = 100000 start = dt.datetime.now() A, B = [], [] for

前言: GAN的原理很简单,但是它有很多变体,如:DCGAN.CycleGAN.DeblurGAN等,它们也被用在不同地方,本文将用到DCGAN来生成头像图片,可以做到以假乱真的地步. 1.首先调用程序对图片进行标准化 代码如下: from skimage import io,transform,color import numpy as np ​ def convert_gray(f,**args): """ 将彩色图片转换为灰度图片和调整大小,改变图像分辨率 :retur

参考 https://hackernoon.com/creating-insanely-fast-image-classifiers-with-mobilenet-in-tensorflow-f030ce0a2991 https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/image_retraining/retrain.py https://codelabs.developers.google.com/c

前面已经介绍了几种经典的目标检测算法,光学习理论不实践的效果并不大,这里我们使用谷歌的开源框架来实现目标检测.至于为什么不去自己实现呢?主要是因为自己实现比较麻烦,而且调参比较麻烦,我们直接利用别人的库去学习,可以节约很多时间,而且逐渐吃透别人代码,使得我们可以慢慢的接受. Object Detection API是谷歌开放的一个内部使用的物体识别系统.2016年 10月,该系统在COCO识别挑战中名列第一.它支持当前最佳的实物检测模型,能够在单个图像中定位和识别多个对象.该系统不仅用于谷歌于自

首先我们有一堆xml文件 笔者是将mask-rcnn得到的json标注文件转为xml的 批量json转xml方法:https://www.cnblogs.com/bob-jianfeng/p/11122135.html 现在我们训练faster-rcnn或者yolo都需要pascal voc格式的数据 所以我们的任务是将xml转为voc训练格式 voc格式目录如下: VOCdevkit ——VOC2018 #文件夹的年份可以自己取,但是要与你其他文件年份一致,看下一步就明白了————Annota

由于我涉及一个车牌识别系统的项目,计划使用深度学习库caffe对车牌字符进行识别.刚开始接触caffe,打算先将示例中的每个网络模型都拿出来用用,当然这样暴力的使用是不会有好结果的- -||| ,所以这里只是记录一下示例的网络模型使用的步骤,最终测试的准确率就暂且不论了! 一.图片数据库 来源 我使用的图像是在项目的字符分割模块中分割出来的字符图像,灰度化并归一化至32*64,字符图片样本示例如下: 建立自己的数据文件夹 在./caffe/data/目录下建立自己的数据文件夹mine,并且在mi

学习caffe的目的,不是简单的做几个练习,最终还是要用到自己的实际项目或科研中.因此,本文介绍一下,从自己的原始图片到lmdb数据,再到训练和测试模型的整个流程. 一.准备数据 有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练.但是我没有下载,一个原因是注册账号的时候,验证码始终出不来(听说是google网站的验证码,而我是上不了google的).第二个原因是数据太大了... 我去网上找了

前期准备: 文件夹train:此文件夹中按类别分好子文件夹,各子文件夹里存放相应图片 文件夹test:同train,有多少类就有多少个子文件夹 trainlabels.txt : 存的是训练集的标签 testlables.txt: 存的是测试集的标签 (特别注意:文件的路径以及文件名要对应) 第一步 生成train文件夹和test文件夹以及标签文件.本文用的是matlab对数据集进行读取,然后输出图片到相应文件夹中,并且生成标签文件.此处给出matlab的代码,请自行分析. %% 实现图片的输出

学习caffe的目的,不是简单的做几个练习,最终还是要用到自己的实际项目或科研中.因此,本文介绍一下,从自己的原始图片到lmdb数据,再到训练和测试模型的整个流程. 一.准备数据 有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练.但是我没有下载,一个原因是注册账号的时候,验证码始终出不来(听说是google网站的验证码,而我是上不了google的).第二个原因是数据太大了... 我去网上找了

申明:此教程加工于caffe 如何训练自己的数据图片 一.准备数据 有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练.但是我没有下载,一个原因是注册账号的时候,验证码始终出不来(听说是google网站的验证码,而我是上不了google的).第二个原因是数据太大了... 我去网上找了一些其它的图片来代替,共有500张图片,分为大巴车.恐龙.大象.鲜花和马五个类,每个类100张.需要的同学,可到

Caffe学习系列(12):训练和测试自己的图片   学习caffe的目的,不是简单的做几个练习,最终还是要用到自己的实际项目或科研中.因此,本文介绍一下,从自己的原始图片到lmdb数据,再到训练和测试模型的整个流程. 一.准备数据 有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练.但是我没有下载,一个原因是注册账号的时候,验证码始终出不来(听说是google网站的验证码,而我是上不了goo

http://blog.csdn.net/u011244794/article/details/51565786 标签: caffeimagenet 2016-06-02 12:57 9385人阅读 评论(7) 收藏 举报  分类: 机器学习(1)  版权声明:本文为博主原创文章,未经博主允许不得转载. 因为自己在网络上查到的资料对于一个新手来说虽然指明了方向,但是在细节上没有给出很好的实例,因此我把自己训练的过程记录下来. [实验环境] 物理内存:64G Free:7.5G  CPU个数:3,

一.前言 本文主要尝试将自己的数据集制作成lmdb格式,送进lenet作训练和测试,参考了http://blog.csdn.net/liuweizj12/article/details/52149743和http://blog.csdn.net/xiaoxiao_huitailang/article/details/51361036这两篇博文 二.从训练模型到使用模型预测图片分类 (1)自己准备的图像数据 由于主要是使用lenet模型训练自己的图片数据,我的图像数据共有10个类别,分别是0-9,

(一)下载inception-v3--见TensorFlow(十四) (二)准备训练用的图片集,因为我没有图片集,所以写了个自动抓取百度图片的脚本-见抓取百度图片 (三)创建retrain.py文件,进行重训练.(因为之前遇到不同版本上的不同,遇到过坑,上源码) # -*- coding: utf-8 -*- # @Author : Felix Wang # @time : 2018/6/27 11:46 # Copyright 2015 The TensorFlow Authors. All

最近想熟悉一下深度学习,体验了一下Caffe,简单写写训练和分类的过程: 1.下载Caffe VS2013工程:https://github.com/Microsoft/caffe 2. 解压并用VS2013打开解决方案caffe-master\windows\Caffe.sln,默认配置是x64 Debug 2.  重命名caffe-master\windows\CommonSettings.props.example为caffe-master\windows\CommonSettings.p

既然faster-rcnn原版发表时候是matlab版代码,那就用matlab版代码吧!不过遇到的坑挺多的,不知道python版会不会好一点. ======= update ========= 总体上包括这些步骤,请注意检查: 1 获取数据:(标准数据集/比赛数据/自行收集数据) 2 整理图片名和标注信息格式.指定训练集和测试集:(转voc格式,同时记得修改vocinit.m中类别信息:或者自己修改代码中读取数据的地方) 3 正确使用均值图像:手动算一个或用默认的减去128,别用错 4 选择网络