新手学Faster-Rcnn，看这篇就够啦！！自学路径，原理讲解，代码亲测可跑！_fasterrcnn和yolo区别

 

1.faster rcnn介绍

前言最近在研究学习faster-rcnn，初次接触目标检测的我确实被其高效、快速的检测效果惊艳到了但在学习和代码实现的过程中确实遇到了很多困难，寻找了很多资料，本文将整理我所阅读过的比较好的文章和代码，供自己和大家参考。

2.faster rcnn训练方法

原理篇陈云：从编程实现角度学习Faster R-CNN（附极简实现）1877 赞同 · 189 评论文章

3.一文读懂faster rcnn知乎

来自陈云大神，知乎上公认Faster-Rcnn写的最好的文章之一其复现的代码仅2000行，跑出了比论文更好的效果！本文所提供的的代码非常值得学习Faster R-CNN: Down the rabbit hole of modern object detection。

4.faster rcnn demo

​tryolabs.com/blog/2018/01/18/faster-r-cnn-down-the-rabbit-hole-of-modern-object-detection/虽然全篇是英文，但没有很晦涩难懂的单词，所以读起来还是很轻松的，而且由于英语的语言特色，各种概念理解起来就更加直白，推荐阅读。

5.faster rcnn fast rcnn

小八无敌：一点一点理解faster-rcnn96 赞同 · 6 评论文章

6.fast rcnn训练

我阅读的另一篇原理讲解，这其实是我看的第一篇关于Faster-Rcnn的文章，通读完后就对Faster-Rcnn有了比较清晰的认识文中对Anchors和Bounding Box Regression的讲解我觉得很形象。

7.faster rcnn知乎

学习新知识的关键就是重复重复再重复同一个知识点在不同地方学习，会有不同的收获个人感觉读完上面三篇文章，并通过自己做笔记整理思路，对Faster-Rcnn的整体流程肯定会有个更加清晰的认识，但对其中一些细节又有些模糊，那这个时候我们就得看代码了。

8.faster rcnn+fpn

看代码篇我看的代码是陈云大神复现的Pytorch版本，simple-faster-rcnn-pytorch​github.com/chenyuntc/simple-faster-rcnn-pytorch

9.faster rcnn算法流程

这里推荐一篇对本代码讲解的文章目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇) - 西红柿炒蛋就加糖！ - 博客园​www.cnblogs.com/kerwins-AC/p/9734381.html

10.faster rcnn流程

这篇博客对我理解代码帮助特别大，讲的很详细！通过对代码的研读，进一步理解原理中的一些细节代码实现篇我想大部分人学习Faster-Rcnn肯定是想要实现自己的一个目标检测的小项目吧，本文将提供两份代码，一份由Pytorch实现，一份由Keras实现，亲测可以跑通！。

Keras实现参考资料：Keras 搭建自己的Faster-RCNN目标检测平台_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com/video/av91598533

【代码】faster-rcnn-keras​github.com/bubbliiiing/faster-rcnn-kerasKeras的实现主要参考B站以为Up主的视频，讲解非常详细up主在视频中讲解了Faster-Rcnn的原理，也介绍了。

如何使用Up的代码来训练自己的数据集以及如何使用Labelimg来制作训练集标签，基本上没什么坑，以下是一些注意事项：平台：Windows10（win10自测可行，Linux没测试过）环境：tensorflow 1.13.1; keras 2.1.5 ; CUDA 10.0

特征提取网络：ResNet50遇到的问题：由于平时习惯使用tf2.0，装的也是CUDA10.1发现CUDA10.1对tf1.13并不支持，所以在CUDA上花了很多时间一直没搞明白 训练所需的voc_weights.h5。

指的到底是预训练的特征提取网络参数，还是Faster-Rcnn训练完以后的参数，个人估计是后者，因为实测voc_weights.h5可以直接用来做目标检测这份代码还是很好跑的，只要依据UP主的流程一步一步做下去，没什么坑！。

Pytorch实现参考资料：pytorch 1.0实现faster R-CNN，检验自己的数据集​www.codeleading.com/article/23341646679/【代码】faster-rcnn.pytorch

​github.com/jwyang/faster-rcnn.pytorchPytorch的实现主要参考博客，由于Pytorch的代码年代有点久远了，有一些语法已经不支持，所以在实现的时候遇到了很多坑，

博客中的讲解其实已经很详细了，但还是遗漏了一些，本文将强调实现过程中的一些注意事项，和我遇到的一些错误 平台：Ubantu（由于需要编译 win10下编译实在是太麻烦，建议Linux用于选择此份代码） 环境：Pytorch1.2.0； torchvision==0.4.0; CUDA 9.2 或者 10.0（

虽然博客说明是Pytorch1.0.0，但实测Pytorch1.2.0完全没问题，安装方法就按照官网，按如下指令安装）# CUDA 9.2 conda install pytorch==1.2.0

torchvision==0.4.0 cudatoolkit=9.2 -c pytorch # CUDA 10.0 conda install pytorch==1.2.0 torchvision

==0.4.0 cudatoolkit=10.0 -c pytorch # CPU Only conda install pytorch==1.2.0 torchvision==0.4.0 cpuonly -c pytorch

我安装的是CUDA10的版本注意，官方例子中 -c 会使得无法使用清华的源，因此，实际操作时# CUDA 10.0 conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0。

遇到的一些问题：注意一定要切换分支！！！ 博客中也提到了，如果使用Pytorch1.0以上，需要切换分支！git checkout pytorch-1.0#进入faster-rcnn.pytorch文件，同时在内创建一个data文件夹

cd faster-rcnn.pytorch && mkdir data #安装依赖的pyhon包，这一步若是报错说没有权限访问安装就在开头加上 sudo pip install -r requirements.txt

#下载coco kit，并make git clone https://github.com/pdollar/coco.git cd coco/PythonAPI make 这一步博客没讲清楚，对coco的PythonAPI编译以后（make了以后），将

/PythonAPI/pycocotools 这个文件夹，复制到faster-rcnn.pytorch\lib 下，对lib下的pycocotools 的文件夹进行替换！ 原因就是lib下的pycocotools太老了，有一些功能用不了了！

然后继续按照博客的来 这份代码可以使用VGG16，也可以使用ResNet101，都需要预训练参数（应该是在ImageNet中训练的特征提取网络），博客中给了下载链接我使用的是VGG16的预训练模型，下载好的文件名为。

vgg16_caffe.pth ，约有527MB大小 对于数据的准备，博客中并没有说明如何制作数据，如何制作.txt后缀的文件，可以参考Keras版本的实现，使用keras版本中voc2faster-rcnn.py。

文件即可生成四个.txt(但我在实现的时候，只设置了训练集也就是说只有trainval.txt里面是存在数据的)├── test.txt├── train.txt├── trainval.txt└── val.txt。

from scipy.misc import imread出现错误,这点在博客中没有提及 这是因为scipy库中的imread要被弃用也就是不能用了，这时需要改成这样from imageio import imread

其余的问题可以看博客里的处理方式，本人在实验过程中基本都没有遇到这里再提供记pytorch版faster rcnn配置运行中的一些坑​www.cnblogs.com/FZfangzheng/p/10852141.html。