训练Faster R-CNN+Windows+PyTorch（VOC数据集和自己的数据集）

一.代码和数据集准备

1.代码：

使用b站up主霹雳吧啦Wz提供的代码：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_object_detection/faster_rcnn

2.数据集

①PASCAL VOC2012数据集

下载地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar

②自己的数据集

按VOC数据集格式准备，因为只进行目标检测，按下图层级目录和文件夹命名即可。

其中

Annotations文件夹里存在所有数据集的.xml文件

JPEGImages文件夹里存在所有数据集的.jpg文件

ImageSets文件夹里存放Main文件夹

再在Main文件夹中存放以下4个.txt文件

其中

train.txt：训练集
val.txt：验证集
trainval.txt：训练和验证集
test.txt：测试集

只是训练阶段，可仅保留train.txt和val.txt。可以利用split_data.py文件（代码如下）直接随机生成这两个文件，然后放到相应的目录下即可。

import os
import random

def main():
    random.seed(0)  # 设置随机种子，保证随机结果可复现

    files_path = "./VOCdevkit/VOC2012/Annotations"
    assert os.path.exists(files_path), "path: '{}' does not exist.".format(files_path)

    val_rate = 0.5

    files_name = sorted([file.split(".")[0] for file in os.listdir(files_path)])
    files_num = len(files_name)
    val_index = random.sample(range(0, files_num), k=int(files_num*val_rate))
    train_files = []
    val_files = []
    for index, file_name in enumerate(files_name):
        if index in val_index:
            val_files.append(file_name)
        else:
            train_files.append(file_name)

    try:
        train_f = open("train.txt", "x")
        eval_f = open("val.txt", "x")
        train_f.write("\n".join(train_files))
        eval_f.write("\n".join(val_files))
    except FileExistsError as e:
        print(e)
        exit(1)

if __name__ == '__main__':
    main()

此外，还需根据自己的数据集，相应地修改.json文件。