|
1. 要使用有我们训练的模型的 demo（在 COCO trainval 上训练的），请从 OneDrive 手动下载该模型：https://1drv.ms/u/s!AoN7vygOjLIQqmE7XqFVLbeZDfVN，并将其放置在 model/ 文件夹中。确保其看起来像这样： ./model/rfcn_dcn_coco-0000.params ./model/rfcn_coco-0000.params 2. 运行 demo： python ./rfcn/demo.py 其默认运行可变形 R-FCN（Deformable R-FCN），并会给出一些预测结果，要运行 R-FCN，请使用： python ./rfcn/demo.py --rfcn_only 我们不久后就将发布能够可视化其变形效果的可视化工具。 为训练和测试的准备 1. 请下载 COCO 和 VOC 2007+2012 数据，atv直播，直播，并按如下方式放置： ./data/coco/ ./data/VOCdevkit/VOC2007/ ./data/VOCdevkit/VOC2012/ 2. 请从 OneDrive 手动下载在 ImageNet 上预训练的 ResNet-v1-101：https://1drv.ms/u/s!Am-5JzdW2XHzhqMEtxf1Ciym8uZ8sg，并将其放置到 .model/ 文件夹。确保其看起来像这样： ./model/pretrained_model/resnet_v1_101-0000.params 使用 1. 我们所有的实验设置（GPU 型号、数据集等）都保存为 yaml 文件，位于文件夹 ./experiments/rfcn/cfgs 2. 目前已经提供了 4 个配置文件，即用于 COCO/VOC 的 R-FCN 和用于 COCO/VOC 的 Deformable R-FCN。我们分别在 COCO 和 VOC 上使用了 8 个和 4 个 GPU 来训练模型。 3. 为了执行实验，请运行以对应配置文件为输入的 Python 脚本。比如，为了使用 ResNet-v1-101 在 COCO 上训练和测试可变形卷积网络，请使用以下命令： python experimentsrfcnrfcn_end2end_train_test.py --cfg 4. 请查看配置文件和我们的代码来了解更多细节。 其它 推荐使用不带 CuDNN 的 MXNet 版本。 代码已经在以下环境中进行了测试： Ubuntu 14.04，一个 Maxwell Titan X GPU 和 Intel Xeon CPU E5-2620 v2 @ 2.10GHz Windows Server 2012 R2，8 个 K40 GPU 和 Intel Xeon CPU E5-2650 v2 @ 2.60GHz Windows Server 2012 R2，4 个 Pascal Titan X GPU 和 Intel Xeon CPU E5-2650 v4 @ 2.30GHz ↓↓↓
|
