/RFB-keras

这是一个利用Keras实现RFBnet的库，RFBnet是SSD的改进版，其整体的结构与SSD相差不大，其主要特点是在SSD的特征提取网络上用了RFB模块。

Primary LanguagePythonMIT LicenseMIT

RFBnet：目标检测模型在Keras当中的实现

目录

  1. 性能情况 Performance
  2. 所需环境 Environment
  3. 文件下载 Download
  4. 预测步骤 How2predict
  5. 训练步骤 How2train
  6. 参考资料 Reference

性能情况

训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5
VOC07+12 rfb_weights.h5 VOC-Test07 300x300 - 81.42

所需环境

tensorflow-gpu==1.13.1
keras==2.1.5

文件下载

训练所需的RFB_weights.h5可以在百度云下载。
链接: https://pan.baidu.com/s/1BH3Aop0BBdxs439p14svuA
提取码: 8dve

预测步骤

1、使用预训练权重

a、下载完库后解压，在百度网盘下载RFB_weights.h5，放入model_data，运行predict.py，输入

img/street.jpg

可完成预测。
b、利用video.py可进行摄像头检测。

2、使用自己训练的权重

a、按照训练步骤训练。
b、在rfb.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。

_defaults = {
    "model_path": 'model_data/RFB_weights.h5',
    "classes_path": 'model_data/voc_classes.txt',
    "model_image_size" : (300, 300, 3),
    "confidence": 0.5,
}

c、运行predict.py，输入

img/street.jpg

可完成预测。
d、利用video.py可进行摄像头检测。

训练步骤

1、本文使用VOC格式进行训练。
2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
4、在训练前利用voc2ssd.py文件生成对应的txt。
5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。注意不要使用中文标签，文件夹中不要有空格！

classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]

6、此时会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。
7、在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，示例如下：
model_data/new_classes.txt文件内容为：

cat
dog
...

8、将train.py的NUM_CLASSSES修改成所需要分的类的个数+1，运行train.py即可开始训练。

mAP目标检测精度计算更新

更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
get_map文件克隆自https://github.com/Cartucho/mAP
具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw

Reference

https://github.com/pierluigiferrari/ssd_keras
https://github.com/kuhung/SSD_keras
https://github.com/ruinmessi/RFBNet
https://github.com/Cartucho/mAP