此处用的FasterRCNN模型使用的是B导的源码，读者可以去B站搜B导的视频进行了解和学习，视频中B导非常细心讲解了如何训练自己的数据集以及预测。

---

前言

此实验的整个流程参考了B导的博客：睿智的目标检测27——Pytorch搭建Faster R-CNN目标检测平台 以及另一个博主的：对比实验系列：Faster R-CNN配置及训练自己数据集

B导的源码：https://github.com/bubbliiiing/faster-rcnn-pytorch B站视频链接：https://www.bilibili.com/video/BV1BK41157Vs/

---

一、准备数据集

此源码数据集使用的是voc格式，因为我已经拥有yolo格式的数据集，故采用的是yolo格式转为voc格式。yolo2voc参考的这篇文章：将Yolo格式标注文件转换为VOC格式，如果是其他格式的可以自行查找数据集格式的相互转换的方式。

转换后得到数据集的如下分布：

ps：由于我已经对数据集进行划分了训练集和验证集，故直接生成的train.txt和val.txt。
然后使用源码中的voc_annotation.py生成2007_train.txt 2007_val.txt（如果你的情况和我一样是已经划分好训练集 验证集的，只需要生成2007_train.txt 2007_val.txt，就在voc_annotation.py中设置mode=2，类别设置为自己的类别。

classes_path：按着顺序将自己数据集的类别写入

如果你并未划分，想随机分可以直接将mode=0，直接随机划分并生成相应的2007_train.txt 2007_val.txt。这两个文件包含图片的位置信息、图片中包含的目标信息。

就这样，数据集准备完成。

二、环境配置

2.1 基础环境

建议新建一个环境

conda create -n rcnn python=3.8 -y

conda activate rcnn

pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

2.2 其他依赖包安装

进入项目源码，点击终端运行

pip install -r requirements.txt

注意：安装requirements.txt的时候会报一些错，经试验，我将这两个修改为≥即可

2.3 预权重下载

将预权重下载至项目里面，可以在github上进行下载。（fasterrcnn的官方github里面有，或者我前面放的B导的github里面也有）

二、训练数据集

进入train.py修改超参数，主要修改这些，其他超参数可以根据情况自行调整。
classes_path为自己数据集的标签路径
model_path为预训练权重路径
调整冻结训练和非冻结训练的batch、线程数num_workers
train_annotation_path和val_annotation_path为第一部分生成的图片索引文件

开始训练

python train.py

训练完成以后可以得到以下训练文件

三、预测

首先到frcnn.py中去修改class FRCNN类：

然后就是修改predict.py中的超参数进行预测
由于我是对整个文件夹进行预测，故mode选择

然后修改文件夹路径以及输出的路径

如果想要保存txt文件可以参考注释

---

结束语

浅浅记录训练两阶段模型FasterRCNN模型的过程