不能训练更快的rcnn

Question

我想构建自己更快的Rcnn模型，我从https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3下载了一个示例

运行代码时出现错误，但我不知道原因

Traceback (most recent call last):
  File "C:/Users/l/Desktop/Faster-RCNN/train.py", line 216, in <module>
    train.train()
  File "C:/Users/l/Desktop/Faster-RCNN/train.py", line 148, in train
    blobs = self.data_layer.forward()
  File "C:\Users\l\Desktop\Faster-RCNN\lib\layer_utils\roi_data_layer.py", line 75, in forward
    blobs = self._get_next_minibatch()
  File "C:\Users\l\Desktop\Faster-RCNN\lib\layer_utils\roi_data_layer.py", line 71, in _get_next_minibatch
    return get_minibatch(minibatch_db, self._num_classes)
  File "C:\Users\l\Desktop\Faster-RCNN\lib\utils\minibatch.py", line 30, in get_minibatch
    im_blob, im_scales = _get_image_blob(roidb, random_scale_inds)
  File "C`enter code here`:\Users\l\Desktop\Faster-RCNN\lib\utils\minibatch.py", line 67, in _get_image_blob
    im, im_scale = prep_im_for_blob(im, cfg.FLAGS2["pixel_means"], target_size, cfg.FLAGS.max_size)
  File "C:\Users\l\Desktop\Faster-RCNN\lib\utils\blob.py", line 35, in prep_im_for_blob
    im = im.astype(np.float32, copy=False)
AttributeError: 'NoneType' object has no attribute 'astype'

Answer 1

要构建自己的Faster RCNN Models，可以按照Official Tensorflow Github Repository中提到的说明进行操作。

遵循这些说明的好处是，如果您遇到任何问题，您可以在this Repo中提交问题，您将得到谷歌工程师的帮助。

为了社区的利益指定Github Repo中提到的步骤(只是在链接中断的情况下)。

定义新的更快的R-CNN或SSD特征提取器的：

在大多数情况下，您可能不会从头开始实现DetectionModel -相反，您可以创建一个新的特征提取器，以供固态硬盘或更快的R-CNN元体系结构使用。(我们将元体系结构视为使用DetectionModel抽象定义整个模型系列的类)。

注意:为了让下面的讨论有意义，我们建议先熟悉一下Faster R-CNN白皮书。

现在让我们想象一下，你发明了一个全新的分类网络架构(比如“InceptionV100”)，想看看InceptionV100如何作为检测的特征提取器(比如，使用更快的R-CNN)。类似的过程也适用于SSD型号，但我们将讨论更快的R-CNN。

要使用InceptionV100，我们必须定义一个新的FasterRCNNFeatureExtractor，并将其作为输入传递给我们的FasterRCNNMetaArch构造函数。有关FasterRCNNFeatureExtractor和FasterRCNNMetaArch的定义，请参阅object_detection/meta_architectures/faster_rcnn_meta_arch.py。FasterRCNNFeatureExtractor必须定义几个函数：

• preprocess：在输入image.
• _extract_proposal_features：上运行检测器之前，对输入值运行任何必要的预处理提取第一阶段区域建议网络( features.
• _extract_box_classifier_features：)提取第二阶段框分类器features.
• restore_from_classification_checkpoint_fn：将检查点加载到Tensorflow图中。

请参阅object_detection/models/faster_rcnn_resnet_v1_feature_extractor.py定义作为一个示例。以下是一些备注：

• 我们通常使用Slim Resnet-101 classification checkpoint中的权重来初始化此特征提取器的权重，并且我们知道，在训练此检查点时，会通过从每个输入图像中减去一个通道平均值来对图像进行预处理。因此，我们实现了预处理函数来复制相同的通道均值减法behavior.
• The在slim中定义的“完整”resnet分类网络被分成两部分-除了最后一个“resnet块”之外的所有块都被放入_extract_proposal_features函数中，最后一个块在_extract_box_classifier_features函数中单独定义。通常，可能需要进行一些实验，以决定在哪一层将特征提取器“切割”成这两部分，以获得更快的R-CNN。

有关更多信息，请参阅this link和适用于Tensorflow Models的Github回购。

希望这能有所帮助。祝您学习愉快！