rcnn目标检测算法源码_rcnn模型

文章目录：

• 1、怎么运行faster-rcnn的代码
• 2、研究fast rcnn系列的目标检测算法有什么用
• 3、目标检测SSD相对于YOLO与faster-RCNN做了哪些改进？效果如何
• 4、如何评价rcnn，fast-rcnn和faster-rcnn这一系列方法

怎么运行faster-rcnn的代码

初始化参数：args = parse_args() 采用的是Python的argparse

主要有–net_name，–gpu，–cfg等（在cfg中只是修改了几个参数，其他大部分参数在congig.py中，涉及到训练整个网络）。

cfg_from_file(args.cfg_file) 这里便是代用config中的函数cfg_from_file来读取前面cfg文件中的参数，同时调用_merge_a_into_b函数把所有的参数整合，其中__C = edict() cfg = __C cfg是一个词典（edict）数据结构。

faster rcnn采用的是多进程，mp_queue是进程间用于通讯的数据结构

import multiprocessing as mp

mp_queue = mp.Queue()

研究fast rcnn系列的目标检测算法有什么用

Faster RCNN用了整合了之前的RCNN啊，SPP-net啊，Fast RCNN啊这些网络的region proposal方式，提出了RPN，所谓RPN就是根据图像自身的色彩以及边缘信息等等来生成region proposal的一个网络，因此实现了end-to-end，但还是慢

YOLO就是把原图划成7x7的小格子，在每个格子里对目标进行预测，相当于固定了region proposal的位置和大小，所以没有了RPN，加快了速度，但是准确率下去了

SSD用了YOLO的思想，但是选了6个比例来对原图进行划分，这样就保证了大物体有大格子学，小物体有小格子学，不像YOLO只有一种大小的格子，准确率也提高了（相对于YOLO），速度也上去了（相对于Faster，SSD也没有RPN步骤）

目标检测SSD相对于YOLO与faster-RCNN做了哪些改进？效果如何

Faster RCNN用了整合了之前的RCNN啊，SPP-net啊，Fast RCNN啊这些网络的region proposal方式，提出了RPN，所谓RPN就是根据图像自身的色彩以及边缘信息等等来生成region proposal的一个网络，因此实现了end-to-end，但还是慢

YOLO就是把原图划成7x7的小格子，在每个格子里对目标进行预测，相当于固定了region proposal的位置和大小，所以没有了RPN，加快了速度，但是准确率下去了

SSD用了YOLO的思想，但是选了6个比例来对原图进行划分，这样就保证了大物体有大格子学，小物体有小格子学，不像YOLO只有一种大小的格子，准确率也提高了（相对于YOLO），速度也上去了（相对于Faster，SSD也没有RPN步骤）

如何评价rcnn，fast-rcnn和faster-rcnn这一系列方法

Fast-RCNN：RCNN的加速版本，在我看来，这不仅仅是一个加速版本，其优点还包括：（a） 首先，它提供了在caffe的框架下，如何定义自己的层/参数/结构的范例

（2） training and testing end-to-end 这一点很重要，为了达到这一点其定义了ROIPooling层，因为有了这个，使得训练效果提升不少。

（3） 速度上的提升，因为有了Fast-RCNN，这种基于CNN的 real-time 的目标检测方法看到了希望，在工程上的实践也有了可能，后续也出现了诸如Faster-RCNN/YOLO等相关工作。