Faster-RCNN+VGG用自己的数据集训练模型

和ZF差不多，基本一样。不同的地方主要是网络模型的修改和训练结束后的修改。

1-6参考Faster-RCNN+ZF用自己的数据集训练模型

7.网络的修改

（1）models\fast_rcnn_prototxts\vgg_16layers_fc6\train_val.prototxt

[plain] view plain copy

 

1. input: "bbox_targets"  
2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
3. input_dim: 20 #  4*(类别数+1) (=21)   
4. input_dim: 1  
5. input_dim: 1  

[plain] view plain copy

 

1. input: "bbox_loss_weights"  
2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
3. input_dim: 20 # 4*(类别数+1)  
4. input_dim: 1  
5. input_dim: 1  

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "cls_score"  
4.     name: "cls_score"  
5.     param {  
6.         lr_mult: 1.0  
7.     }  
8.     param {  
9.         lr_mult: 2.0  
10.     }  
11.     type: "InnerProduct"  
12.     inner_product_param {  
13.         num_output: 5 #类别数+1  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.01  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "bbox_pred"  
4.     name: "bbox_pred"  
5.     type: "InnerProduct"  
6.     param {  
7.         lr_mult: 1.0  
8.     }  
9.     param {  
10.         lr_mult: 2.0  
11.     }  
12.     inner_product_param {  
13.         num_output: 20 #4*(类别数+1)  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.001  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

（2）models\fast_rcnn_prototxts\vgg_16layers_fc6\test.prototxt

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "cls_score"  
4.     name: "cls_score"  
5.     param {  
6.         lr_mult: 1.0  
7.     }  
8.     param {  
9.         lr_mult: 2.0  
10.     }  
11.     type: "InnerProduct"  
12.     inner_product_param {  
13.         num_output: 5 #类别数+1  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.01  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "bbox_pred"  
4.     name: "bbox_pred"  
5.     type: "InnerProduct"  
6.     param {  
7.         lr_mult: 1.0  
8.     }  
9.     param {  
10.         lr_mult: 2.0  
11.     }  
12.     inner_product_param {  
13.         num_output: 20 #4*(类别数+1)  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.001  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

（3）models\fast_rcnn_prototxts\vgg_16layers_conv3_1\train_val.prototxt

[plain] view plain copy

 

1. input: "bbox_targets"  
2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
3. input_dim: 20 # 4*(类别数+1)   
4. input_dim: 1  
5. input_dim: 1  

[plain] view plain copy

 

1. input: "bbox_loss_weights"  
2. input_dim: 1  # to be changed on-the-fly to match num ROIs  
3. input_dim: 20 # 4* (类别数+1)   
4. input_dim: 1  
5. input_dim: 1  

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "cls_score"  
4.     name: "cls_score"  
5.     param {  
6.         lr_mult: 1.0  
7.     }  
8.     param {  
9.         lr_mult: 2.0  
10.     }  
11.     type: "InnerProduct"  
12.     inner_product_param {  
13.         num_output: 5 #类别数+1  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.01  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "bbox_pred"  
4.     name: "bbox_pred"  
5.     type: "InnerProduct"  
6.     param {  
7.         lr_mult: 1.0  
8.     }  
9.     param {  
10.         lr_mult: 2.0  
11.     }  
12.     inner_product_param {  
13.         num_output: 20 #4*(类别数+1)  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.001  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

（4）models\fast_rcnn_prototxts\vgg_16layers_conv3_1\test.prototxt

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "cls_score"  
4.     name: "cls_score"  
5.     param {  
6.         lr_mult: 1.0  
7.     }  
8.     param {  
9.         lr_mult: 2.0  
10.     }  
11.     type: "InnerProduct"  
12.     inner_product_param {  
13.         num_output:5  #类别数+1  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.01  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

[plain] view plain copy

 

1. layer {  
2.     bottom: "fc7"  
3.     top: "bbox_pred"  
4.     name: "bbox_pred"  
5.     type: "InnerProduct"  
6.     param {  
7.         lr_mult: 1.0  
8.     }  
9.     param {  
10.         lr_mult: 2.0  
11.     }  
12.     inner_product_param {  
13.         num_output: 20 #4*(类别数+1)  
14.         weight_filler {  
15.             type: "gaussian"  
16.             std: 0.001  
17.         }  
18.         bias_filler {  
19.             type: "constant"  
20.             value: 0  
21.         }  
22.     }  
23. }  

！！！为防止与之前的模型搞混,训练前把output文件夹删除（或改个其他名），还要把imdb\cache中的文件删除（如果有的话）

8.开始训练

[plain] view plain copy

 

1. experiments\script_faster_rcnn_VOC2007_VGG16.m  

9.训练完后

将relu5（包括relu5）前的层删除，并将roi_pool5的bottom改为data和rois。并且前面的input_dim:分别改为1,512,50,50，具体如下：

[plain] view plain copy

 

1. input: "data"  
2. input_dim: 1  
3. input_dim: 512  
4. input_dim: 50  
5. input_dim: 50  

[plain] view plain copy

 

1. layer {  
2.     bottom: "data"  
3.     bottom: "rois"  
4.     top: "pool5"  
5.     name: "roi_pool5"  
6.     type: "ROIPooling"  
7.     roi_pooling_param {  
8.         pooled_w: 7  
9.         pooled_h: 7  
10.         spatial_scale: 0.0625  # (1/16)  
11.     }  
12. }