目录
目录
1 构建Retinanet环境
2 生成CSV文件
3训练
4.转化模型
5.测试
6.评测
loss可视化
ap，precision-recall
数据集什么的看我之前博客，资源里也有标记好的数据集，这里主要写一下我配置使用训练过程。
1.代码库下载地址https://github.com/fizyr/keras-retinanet，或git命令：
在这个文件夹内运行下面代码来安装keras-retinanet库，确认你已经根据自己的系统需求安装了tensorflow
训练自己的数据集需要至少两个CSV文件，一个文件包含标注数据，另一个则包含各个类别名及其对应的ID序号映射。
先抛出我的文件位置，新建一个csv文件夹，data文件里放置的是训练图片及标签
三个csv就是我们要生成的
进入csv文件夹下，python xml2csv.py -i /home/zbb/keras-retinanet/CSV/data
class.csv:
train.csv:
一般还需指定 –epochs 训练轮数 默认值50
–batch-size 一批训练多少个 默认值1
–steps 一轮训练多少步 默认10000 需按照自己数据集size大小计算 steps = size / batch-size
retinanet-convert-model 训练出的模型地址 转化后的推断模型地址
返回上一层文件夹，即是keras-retinanet下，新建test.py文件运行测试，进行修改，可测试保存多张图片
结果挺好的，检测了100张，没有错误，速度也还不错，大概两个小时
loss可视化
对应是文件夹，结果如下：
ap，precision-recall：
没有找到，有会的可以博客下面留言交流
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/204379.html