FasterRCNN訓練自己的數據集

一、Win10系統下FasterRCNN訓練自己的數據集

在Win10系統下訓練自己的數據集，需要首先安裝以下環境：

• CUDA 11.0
• CUDNN 8.0.4
• anaconda
• pytorch==1.4.0
• torchvision==0.5.0

接下來，需要用到COCO API，在anaconda的環境下，使用以下命令進行安裝：

pip install cython
pip install -U setuptools
pip install pycocotools

接下來，需要自己標註數據集，並將其轉換為COCO格式的JSON文件。

最後，使用FasterRCNN進行訓練，具體示例代碼如下：

# 導入必要的包
import torch
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import torchvision.models as models
import torchvision.transforms as T
from engine import train_one_epoch, evaluate
import utils

# 載入數據集
data_transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
])
train_dataset = datasets.ImageFolder(root='path/to/train/folder', transform=data_transform)
train_data_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)

# 載入模型
model = models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
num_classes = 2  # 包括背景和目標兩個類別
in_features = model.roi_heads.box_predictor.cls_score.in_features
model.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes)

# 定義優化器和學習率
params = [p for p in model.parameters() if p.requires_grad]
optimizer = torch.optim.SGD(params, lr=0.005, momentum=0.9, weight_decay=0.0005)
lr_scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=3, gamma=0.1)

# 訓練模型
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
model.to(device)
utils.train_one_epoch(model, optimizer, train_data_loader, device, epoch, print_freq=10)
lr_scheduler.step()

二、FasterRCNN訓練COCO數據集

使用預訓練的FasterRCNN模型在COCO數據集上進行微調，可以通過以下代碼實現：

import torchvision.transforms as T
from torchvision.datasets import CocoDetection
from torchvision.models.detection.faster_rcnn import FastRCNNPredictor
from torchvision.models.detection import FasterRCNN
from torch.utils.data import DataLoader

# 獲取COCO數據集
def get_coco_dataset(root, image_set, transforms):
    coco = CocoDetection(root, image_set=image_set, transform=transforms)
    return coco

# 獲取微調模型
def get_fine_tuning_model(num_classes):
    model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
    in_features = model.roi_heads.box_predictor.cls_score.in_features
    model.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes)
    return model

# 載入訓練集和測試集
data_transform = T.Compose([
        T.Resize(800),
        T.ToTensor()
    ])
train_dataset = get_coco_dataset('path/to/COCO', 'train2017', data_transform)
train_data_loader = DataLoader(train_dataset, batch_size=2, shuffle=True, num_workers=4)

test_dataset = get_coco_dataset('path/to/COCO', 'val2017', data_transform)
test_data_loader = DataLoader(test_dataset, batch_size=2, shuffle=False, num_workers=4)

# 定義模型並進行訓練
num_classes = 91  # 包括背景
fine_tuning_model = get_fine_tuning_model(num_classes)

device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
fine_tuning_model.to(device)

params = [p for p in fine_tuning_model.parameters() if p.requires_grad]
optimizer = torch.optim.SGD(params, lr=0.005, momentum=0.9, weight_decay=0.0005)
lr_scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=3, gamma=0.1)

num_epochs = 10  # 訓練輪數
for epoch in range(num_epochs):
    train_one_epoch(fine_tuning_model, optimizer, train_data_loader, device, epoch, print_freq=10)
    lr_scheduler.step()

# 在測試集上進行評估
evaluate(fine_tuning_model, test_data_loader, device=device)

三、如何訓練自己的數據集

如果要訓練自己的數據集，需要進行以下步驟：

1. 準備圖片數據集，需要包含正樣本和負樣本。
2. 對數據集進行標註，標註包括目標的位置和類別。
3. 將標註後的數據集轉換為COCO格式的JSON文件。
4. 按照上述代碼示例，使用FasterRCNN進行訓練。