Matlab实现Faster-RCNN目标检测

文章目录[隐藏]

一.搭建训练数据集和验证数据集
二.数据整合与模型训练
三.模型的测试

用Matlab自带的FastRcnnNetwork工具箱实现深度学习目标检测

一.搭建训练数据集和验证数据集

用的是Matlab2018a以上版本里的应用程序带的ImageLabeler来进行数据标记：

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bcV7if0B-1615620664784)(C:\Users\pc\Desktop\新建文件夹.png)]$

将标记好的数据以.groundTruth格式导入到工作区间，并且要存储到文件夹里。这里是以.mat的格式存储到了matlab的路径下。一定要注意要将.groundTruth变量中的LabelData数据全部转化为double格式(如果以struct格式存在,后面数据集提取时会报错。)

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-c5Ygf9C3-1615620664786)(C:\Users\pc\Desktop\新建文件夹.png)]$

二.数据整合与模型训练

详见Matlab参考文档

或者直接在命令行输入指令:

help trainFasterRCNNObjectDetector

查看参考文档对数据集进行划分和参数设置操作。

load('gTruth.mat');
holesTrainingDataset = objectDetectorTrainingData(gTruth);
trainingData  = holesTrainingDataset;
rng(0);
shuffledIdx = randperm(height(trainingData));
trainingData = trainingData(shuffledIdx,:);
imds = imageDatastore(trainingData.imageFilename);
blds = boxLabelDatastore(trainingData(:,2:end));
ds = combine(imds, blds);

 options = trainingOptions('sgdm', ...
      'MiniBatchSize', 1, ...
      'InitialLearnRate', 1e-3, ...
      'MaxEpochs', 10, ...
      'VerboseFrequency', 200, ...
      'CheckpointPath', tempdir);
  
  
 inputImageSize = [70 86 3];
 numClasses = 1;
 anchorBoxes = [8,8; 12,12; 24 24];
 network = 'resnet50';
 featureLayer = 'activation_40_relu';
 
 lgraph = fasterRCNNLayers(inputImageSize, numClasses, anchorBoxes,network,featureLayer); 
 detector = trainFasterRCNNObjectDetector(ds,lgraph,options);
%% 以下是将数据进行保存在RCNNStructure2.mat中的操作
 save('RCNNStructure2','detector');

当模型训练完成后会在命令行有如下提示:

*************************************************************************
Training a Faster R-CNN Object Detector for the following object classes:

* holes

警告: 数据存储输入不可乱序，但 trainingOptions 指定了乱序。训练将继续，而不进行乱序处理。 
> In nnet.internal.cnn.DataDispatcherFactory>iCheckDatastoreSupportTrainingOptions (line 346)
  In nnet.internal.cnn/DataDispatcherFactory/createDataDispatcherMIMO (line 127)
  In vision.internal.cnn.trainNetwork>iCreateTrainingDataDispatcher (line 180)
  In vision.internal.cnn.trainNetwork (line 34)
  In trainFasterRCNNObjectDetector>iTrainEndToEnd (line 868)
  In trainFasterRCNNObjectDetector (line 419)
  In Untitled2 (line 28) 
在单 CPU 上训练。
正在初始化输入数据归一化。
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜　　轮　　｜　　迭代　　｜　　　　经过的时间　　　　　｜　　小批量损失　　｜　　小批量准确度　　｜　　小批量　ＲＭＳＥ　　｜　　ＲＰＮ　Ｍｉｎｉ－ｂａｔｃｈ　　｜　　ＲＰＮ　Ｍｉｎｉ－ｂａｔｃｈ　　｜　　基础学习率　　｜
｜　　　　　｜　　　　　　｜　　（ｈｈ：ｍｍ：ｓｓ）　　｜　　　　　　　　　｜　　　　　　　　　　｜　　　　　　　　　　　　｜　　　　　Ａｃｃｕｒａｃｙ　　　　　｜　　　　　　　ＲＭＳＥ　　　　　　　｜　　　　　　　　　｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
｜　　　１　｜　　　　１　｜　　　　　００：００：４２　｜　　１．５５６４　｜　　　６８．９９％　｜　　　　　　　０．１７　｜　　　　　　　　　　　８３．６７％　｜　　　　　　　　　　　　　０．８５　｜　　０．００１０　｜
｜　　　７　｜　　２００　｜　　　　　０２：１９：００　｜　　０．２２２２　｜　　　９７．６７％　｜　　　　　　　０．１４　｜　　　　　　　　　　１００．００％　｜　　　　　　　　　　　　　０．５２　｜　　０．００１０　｜
｜　　１０　｜　　３００　｜　　　　　０３：２７：４１　｜　　０．４２９６　｜　　　９７．１２％　｜　　　　　　　０．０６　｜　　　　　　　　　　１００．００％　｜　　　　　　　　　　　　　０．９７　｜　　０．００１０　｜
｜＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝｜
Detector training complete.
*******************************************************************

三.模型的测试

以下是测试代码:

function vecI = fastRCNNTest
load('RCNNStructure2.mat');
[filename pathname filterindex] = uigetfile(...
    {'*.png','图像文件(*.png)';...
    '*.jpg','图像文件(*.jpg)';...
    '*.*','所有文件(*.*)'},...
    '选择图像文件','MultiSelect','off',...
    pwd);
filePath = 0;
if isequal(filename,0)||isequal(pathname,0) %只要这里面表示返回或没有合适的文件时候
    return;
end
Path = fullfile(pathname,filename);
I = imread(Path);
[bboxes,scores] = detect(detector,I);
allShow = inputdlg('请问是否显示检测图片','显示图片',1,{'yes'});
if strcmp(allShow{1},'yes')
    X = insertObjectAnnotation(I,'rectangle',bboxes,scores);
    figure(100);
    imshow(X);
end
everyShow = inputdlg('请问是否显示每张图片','显示图片',1,{'yes'});
if strcmp(everyShow{1},'yes')
     numbers = size(bboxes,1);
    testPic = cell(numbers,3);
for i = 1:numbers
    figure(i)
    M = bboxes(i,:);
    vecI{i} = I(M(2):(M(2)+ M(4)),M(1):(M(1)+M(3)),:);
   imshow(vecI{i});
end
end
end