运行Faster RCNN需要的工具包，里面还有操作说明，若下载了不会用的欢迎私信我，我看到一定会回复的。

快速R-CNN的简单快速实现 1.简介 [更新：]我将代码进一步简化为pytorch 1.5，torchvision 0.6，并用来自torchvision的ops roipool和nms替换了自定义的ops roipool和nms。 如果您想要旧版本的代码，请检出分支 该项目是基于和其他的简化的快速R-CNN实现。 我希望它可以作为那些想了解Faster R-CNN详细信息的人的入门代码。 目的是： 简化代码（简单胜于复杂） 使代码更直接（扁平比嵌套更好） 匹配报告的性能（速度计数和mAP问题） 它具有以下功能： 它可以作为纯Python代码运行，不再需要构建事务。 这是在大约2000行有效代码中的最少实现，其中包含大量注释和说明。（由于chainercv的出色文档） 与原始实施相比，它实现了更高的mAP（0.712 VS 0.699） 它可实现与其他实现方式相当的速度

引用自github的fasterrcnn代码，能够实现文章中的实验，安装readme配置即可

Keras-FasterRCNN 更快的R-CNN的Keras实现：通过区域提议网络实现实时目标检测。 克隆自 更新： 支持inception_resnet_v2 要在keras.application中将inception_resnet_v2用作特征提取器，请使用transfer / export_imagenet.py创建新的inception_resnet_v2模型文件 如果使用原始的inception_resnet_v2模型作为特征提取器，则无法在fast-rcnn上加载权重参数 用法： theano和tensorflow后端均受支持。 但是在theano中编译时间非常长，强烈建议使用Tensorflow。 train_frcnn.py可用于训练模型。 要训​​练Pascal VOC数据，只需执行以下操作： python train_frcnn.py -p /path/t

Faster-RCNN在linux tensorflow python3.7下运行时需要的make生成文件

Faster-RCNN在linux tensorflow python3.7下运行时需要的make生成文件cython_nms

RCNN, Fast RCNN, Faster RCNN这一系列目标检测算法训练的指导

1 Faster-RCNN (1)输入测试图像； (2)将整张图片输入CNN，进行特征提取； (3)用RPN生成建议窗口(proposals)，每张图片生成300个建议窗口； (4)把建议窗口映射到CNN的最后一层卷积feature map上； (5)通过RoI pooling层使每个RoI生成固定尺寸的feature map； (6)利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练. 1.1 Conv layers 包含了conv，pooling，relu三种层 1.1

LocNet为更快的R-CNN提高了定位精度 1.简介 这个项目是一个简化的更快的基于RCNN改善由LocNet（LOC-更快RCNN的简称）实现 。 它的目标是： 通过在Fast R-CNN部分中使用LocNet，提高Faster R-CNN的定位精度。 的首次公开实施。 该论文的作者未发布其版本。 与原始论文中报告的性能相匹配。 它具有以下功能： 它可以作为纯Python代码运行，不再需要构建事务。 （CUDA代码移到cupy，Cython加速是可选的） 此实现与原始论文略有不同： 此处不使用跳过池。 来自conv5_3层的信息（原始Faster R-CNN的功能图）足以满足我的任务，因此在此存储库中删除了跳过池。 而且，随着诸如类的新方法的出现，跳过合并似乎已经过时了:) RPN网络与Faster R-CNN完全相同，这意味着仅应用了3X3转换，而不是原始论文中的3

PyTorch faster_rcnn之一—复现代码-附件资源