tf-faster-rcnn 训练自己的数据

代码参考：git clone https://github.com/endernewton/tf-faster-rcnn.git
训练过程参考：https://blog.csdn.net/yaoqi_isee/article/details/79254574
整个过程步骤：准备数据，数据格式转化为VOC数据，代码修改
训练过程：
准备数据：这里以imagenet的数据为例，选择训练枪支这个物品（imagenet中：n02749479（枪）n04090263（狙击枪）n04086273（手枪）n03527444（手枪，一般有枪套包着）），直接下载Imagenet1000类数据
数据整理成VOC的数据类型重名图片和xml，修改xml部分内容（过滤部分xml数据，faster rcnn对长宽比例有特殊要求）
特别注意：对imagenet数据进行过滤，否则会出现一系列异常错误
参考：（https://blog.csdn.net/jiajunlee/article/details/50470897）
说明
由于Faster R-CNN程序自身的原因，对数据集的属性有一些要求，下面将进行分析和说明方法。
默认情况，训练对VOC2007数据集的属性是完全支持的，所以，删除ImageNet的部分数据，以满足VOC2007的属性，以此来解决由ImageNet图片属性带来的问题。
提供object的宽高比数据
VOC2007的在0.117-15.500之间
ImageNet的在0.03-48.50之间
对于图片宽<=127 或 高<=96 都被删除
对于含有目标：宽<=7且 高<=9的图片都被删除
对于图片宽高比小于0.12 或 大于>10的图片都被删除

代码修改和目录说明：
data：
demo为测试数据
imagenet_weights 为训练时需要的预训练的模型（一般是在imagenet上的预训练的vgg和res101网络）
VOCdevikit2007为准备的训练数据

experiments
训练时需要修改
test_faster_rcnn.sh train_faster_rcnn.sh
train_faster_rcnn.sh
pascal_voc)
TRAIN_IMDB=”voc_2007_train”
TEST_IMDB=”voc_2007_val”
STEPSIZE=”[50000]”
ITERS=100000
ANCHORS=”[8,16,32]”
RATIOS=”[0.5,1,2]”

修改了 TRAIN_IMDB=”voc_2007_train”
TEST_IMDB=”voc_2007_val”

VOC2007 ImageSet/main目录下只准备了train和test.txt故这里改成 voc_2007_train voc_2007_val，原先为voc_2007_trainval voc_2007_test(准备 trainval 和test.txt文件)

lib
主要代码
dataset:
pascal_voc
修改类数据类型
比如：
self._classes = (‘background‘, ‘qiang’, ‘jujiqiang’, ‘shouqiang’, ‘sqtao’)
factory.py（如果仿照voc来就不需要修改数据）