在做图像分类任务时，我们先使用卷积神经网络提取图像特征，然后再用这些特征预测分类概率。注意这里是对整张图像提取特征，所以无法区分图像中的不同目标，也就没法分别标示出每个物体所在的位置。
为了解决这个问题，我们可以将目标检测任务进行拆分。以某种方式在图像上生成一系列可能包含物体的区域（候选区域），然后对每个候选区域，把它单独当成一幅图像来看待，使用图像分类模型对它进行分类，看它属于哪个类别，从而实现目标检测任务。
2015年，ShaoqingRen等人提出了FasterR-CNN模型，提出了RPN的方法来产生物体的候选区域，这一方法不再需要使用传统的图像处理算法来产生候选区域，进一步提升了处理速度。
faster-rcnn模型结构
本文将通过一个具体的案例来演示一下如何使用FasterRCNN来实现目标检测任务。
一、数据集介绍：这里采集了五种水果的数据：蕃茄、核桃、桔子、龙眼、青枣。共300张图像，图像大小：640*480。并做好了标注和数据集的划分。标注和划分操作可以参看：24.人工智能：计算机视觉任务——数据格式和标注。
这里使用飞桨的PaddleX来进行数据训练，飞桨的PaddleX安装和介绍可以参看：40.人工智能——深度学习飞桨-PaddleX安装：Windows10系统
训练代码：
importpaddlexaspdxfrompaddleximporttransformsasT定义训练和验证所用的数据集train_dataset=(data_dir="fruit",file_list="fruit/train_",label_list="fruit/",transforms=train_transforms,shuffle=True)eval_dataset=(data_dir="fruit",file_list="fruit/val_",label_list="fruit/",transforms=eval_transforms,shuffle=False)paddlex-export_inference--model_dirbest_model--save_dirinference
输出部署模型
推理预测实现代码：
importosimportcv2importrandom随机选择一个测试文件，并显示test="test_"withopen((basedir,test),"r")asf:lines=().splitlines()fimg=(lines).split("")[0]fimg=(basedir,fimg)print(fimg)predictor=("output/faster_rcnn_fpn_fruit/inference_model",use_gpu=True)img=(fimg)result=(img)#print(result)vis_img=(img,result,threshold=0.5,save_dir=None)("result",vis_img)(0)()随机取三条测试数据，预测结果可视化如下：
预测结果1
预测结果2
预测结果3
从预测结果的准确率来看，效果还是不错的，基本上能达到预期目标检测的效果。
补充说明：
修改调整了一下训练参数，一是迭代次数增加到50，二是数据增强也增加尺寸。最后mAP高达到94%以上了。
[INFO][EVAL]Finished,Epoch=50,bbox_map=92.396987.[INFO]Currentevaluatedbestmodeloneval_datasetisepoch_40,bbox_map=94.28783236128207[INFO]Modelsavedinoutput/faster_rcnn_fruit_vd_ssld/epoch_50.
文章版权声明：除非注明，否则均为果宝网原创文章，转载或复制请以超链接形式并注明出处。