1. Fater RCNN检测网络下载

网络学习视频
[源码地址]https://github.com/bubbliiiing/faster-rcnn-pytorch

2. FLIR 数据集准备

数据集的具体格式和内容请看
FLIR数据集介绍

在该数据集中提供的annotations文件为json，需要将其转换为xml，由于我之前使用yolov5网络训练，所以目前我使用的转换方法是从json转换到txt，目前我从txt进一步转换为xml
json转换为txt

可能有些朋友在转.txt文件中存在很多问题，我直接给大家将我转的传到了网盘，大家可以直接下载
链接：链接：https://pan.baidu.com/s/1H1YNqXWF_Ee632a8E3Tngg
提取码：1c4n

txt转换xml

链接：https://pan.baidu.com/s/1QxbdV0zbzNcQFoo4oQ1fgg
提取码：smua

3. 网络调整

1.准备数据集

我们需要将生成的image图像和xml标签文件放置到VOCdevkit->VOC2007->Annotations和JPEGImages中。

2.制作类文件

如图，在model_data中创建flir.txt文件，内容为People, Bicycles, Cars

3. 生成对应训练文件

检查是否有txt文件，如果有删除，需要生成对应FLIR数据集的txt文件

点击voc_annotation.py，修改里面classes_path = model_data/flir.txt，查找jpg修改为jpeg即可。

点击运行，会生成刚才删除的txt文件，可以打开看看，2007_train.txt中是训练图像的存储地址和标签。

4. 开始训练

点击train.py文件，修改classes_path = 'model_data/flir.txt'。点击运行按钮开始训练。

5. 预测

将val验证集的图像放入
修改预测的权重文件（选择loss和val-loss都小的权重值即可），修改类文件位置。


更改输入文件名称，复制改成导入的文件名称。

运行predict.py程序，生成img_out图像。

检测结果如下图所示：

总结

对比我之前训练的yolov5来说，这个检测效果感觉没那么好，但是相对于纯视觉来说已经好多了，削弱了光线的影响。

最后，我发现我训练的结果中自行车Bicycles的检测有点问题，如果有博友按照这个方法训练完成了，可以看看Bicycles类能不能正常检测。

版权声明：本文为CSDN博主「Fighting_1997」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/frighting_ing/article/details/121316359