- 详细环境配置见
requirements.txt
├── backbone: 特征提取网络
├── network_files: Faster R-CNN网络
├── train_utils: 训练验证相关模块
├── my_dataset.py: 自定义dataset用于读取VOC数据集
├── train_resnet50_fpn.py: 以resnet50+FPN做为backbone进行训练
├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试
├── validation.py: 利用训练好的权重验证/测试数据，并生成record_mAP.txt文件
├── extraction.py: 利用训练好的权重识别指定图像的边界框，用于后续分类网络的处理
├── premanage.py: 对图片数据集进行增强处理
└── pascal_voc_classes.json: pascal_voc标签文件
- ResNet50+FPN backbone: https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
- 链接：https://pan.baidu.com/s/1jOkdKeZri6MZRmNy40n8jg 提取码：16pf
- 确保提前准备好数据集
- 确保提前下载好对应预训练模型权重
├── models: 预训练参数
├── classifer.py: 分类网络框架
├── classification.py: 猫分类器
├── UI.py: 图形界面
- python ./UI.py
- 选择识别的图片
- 点击预测框获取预测信息
在网络上关于猫种类的数据集较为缺乏，我们利用质量较高的原数据集训练得到的模型，对新数据集进行一定的筛选。 我们构建出了一个拥有45种纯种猫品种，共约2万9千张图片的相对高质量的数据集，填补了这一方面这一空白， 为后续的工作提供了便利。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent