这里需要将.csv格式转换为.txt文件，该文件具有与上述相同的格式。创建一个新的数据帧，按照格式将所有值填入该数据帧，然后将其另存为.txt文件。

data = pd.DataFrame()
data['format'] = train['image_names']
# as the images are in train_images folder, add train_images before the image name
for i in range(data.shape[0]):
 data['format'][i] = 'train_images/' + data['format'][i]
# add xmin, ymin, xmax, ymax and class as per the format required
for i in range(data.shape[0]):
 data['format'][i] = data['format'][i] + ',' + str(train['xmin'][i]) + ',' + str(train['ymin'][i]) + ',' + str(train['xmax'][i]) + ',' + str(train['ymax'][i]) + ',' + train['cell_type'][i]
data.to_csv('annotate.txt', header=None, index=None, sep=' ')

下一步进行模型训练，使用train_frcnn.py文件来训练模型。

cd keras-frcnn
python train_frcnn.py -o simple -p annotate.txt

由于数据集较大，需要一段时间来训练模型。如果条件满足的话，可以使用GPU来加快训练过程。同样也可以尝试减少num_epochs参数来加快训练过程。

模型每训练好一次（有改进时），该特定时刻的权重将保存在与“model_frcnn.hdf5”相同的目录中。当对测试集进行预测时，将使用到这些权重。

根据机器的配置，可能需要花费大量时间来训练模型并获得权重。建议使用本文训练大约500个时期的权重作为初始化。可以从这里下载这些权重，并设置好相应的路径。

因此，当模型训练好并保存好权重后，下面进行预测。Keras_frcnn对新图像进行预测并将其保存在新文件夹中，这里只需在test_frcnn.py文件中进行两处更改即可保存图像：

• 从该文件的最后一行删除注释：
• cv2.imwrite（'./ results_imgs / {}。png'.format（idx），img）；
• 在此文件的倒数第二行和第三行添加注释：
• ＃cv2.imshow（'img'，img） ；
• ＃cv2.waitKey（0）；

使用下面的代码进行图像预测：

python test_frcnn.py -p test_images

最后，检测到对象的图像将保存在“results_imgs”文件夹中。以下是本文实现faster R-CNN后预测几个样本获得的结果：

结果1

结果2

总结

R-CNN算法确实是用于对象检测任务的变革者，改变了传统的做法，并开创了深度学习算法。近年来，计算机视觉应用的数量突然出现飙升，而R-CNN系列算法仍然是其中大多数应用的核心。

Keras_frcnn也被证明是一个很好的对象检测工具库，在本系列的下一篇文章中，将专注于更先进的技术，如YOLO，SSD等。

作者信息

PULKIT SHARMA，机器学习和深度学习

本文由阿里云云栖社区组织翻译。

文章原标题《A Practical Implementation of the Faster R-CNN Algorithm for Object Detection (Part 2 – with Python codes)》，译者：海棠，审校：Uncle_LLD。