计算机视觉 模块2：目标检测 目标检测实战2.docxVIP

企业项目实战 PAGE 1 目标检测实战2 1.实验准备 1.1 实验概述 本实验主要掌握利用PyTorch深度学习框架，掌握Faster R-CNN算法的流程和网络搭建方式，完成Faster R-CNN模型的测试并分析结果。 2.1 实验建议 了解Python、PyTorch的基本用法以及Faster R-CNN算法。 3.1 实验目的 掌握Faster R-CNN算法 实验的环境：Anaconda 2.实验步骤 2.1 读取项目 2.1.1 解压完整代码块 将案例代码04目标检测实战4.rar 压缩包解压，得到fasterr-cnn文件夹、requirement.txt、fasterrcnn.pdf，其中fasterr-cnn文件夹内包含了Faster R-CNN算法所有的代码，requirement为算法所需的依赖库。所有文件如图1所示。 图1 文件列表 用PyCharm打开文件夹 Open file：fasterr-cnn文件夹 2.2.2 安装依赖 打开依赖列表requirement.txt，如图2所示。 图2 依赖列表 打开命令行，执行安装命令。 source activate pytorch_cpu pip install cython pip install cffi pip install opencv-python pip install scipy pip install msgpack pip install easydict pip install matplotlib pip install pyyaml pip install tensorboardX 2.2 查看数据 进入fasterr-cnn文件夹中的images文件夹，里面存放image1到image4共4张待测图片以及利用不同网络检测的结果。我们将利用Faster R-CNN模型对这4张图片进行物体检测，数据如图3所示。 图3 待测数据 3.Faster R-CNN模型运行 3.1 设置解释器 进入命令行，找到python的路径 source activate pytorch_cpu which python 路径如图4所示 图4 python路径 按照显示路径，进入pycharm中设置解释器，如图5所示 图5 更改python路径 3.2 运行demo 运行run.py对图片进行检测，如图6所示。 run run.py 图6 run.py文件 3.3 运行结果 检测结果示例如图7所示。 图7 图片检测结果展示