faster rcnn文件夹说明

faster rcnn根目录下

1、caffe-fast-rcnn文件夹

这是caffe框架目录

2、data文件夹

用来存放pretrained模型，比如imagenet上的，以及读取文件的cache缓存

3、experiments文件夹

（1）logs

（2）scripts/faster_rcnn_alt_opt.sh

（3）cfgs/faster_rcnn_alt_opt.yml

存放配置文件以及运行的log文件，另外这个目录下有scripts可以用end2end或者alt_opt两种方式训练。

4、tools文件夹

里面存放的是训练和测试的Python文件。

（1）_init_paths.py

用来初始化路径的，也就是之后的路径会join（path，*）

（2）compress_net.py

用来压缩参数的，使用了SVD来进行压缩，这里可以发现，作者对于fc6层和fc7层进行了压缩，也就是两个全连接层。

（3）demo.py

通常，我们会直接调用这个函数，如果要测试自己的模型和数据，这里需要修改。这里调用了fast_rcnn中的test、config、nums_wrapper函数。vis_detections用来做检测，parse_args用来进行参数设置，以及damo和主函数。

（4）eval_recall.py

评估函数

（5）reval.py

re-evaluate，这里调用了fast_rcnn以及dataset中的函数。其中，from_mats函数和from_dets函数分别loadmat文件和pkl文件。

（6）rpn_genetate.py

这个函数调用了rpn中的genetate函数，之后我们会对rpn层做具体的介绍。这里，主要是一个封装调用的过程，我们在这里调用配置的参数、设置rpn的test参数，以及输入输出等操作。

（7）test_net.py

测试fast rcnn网络。主要就是一些参数配置。

（8）train_faster_rcnn_alt_opt.py

训练faster rcnn网络使用交替的训练，这里就是根据faster rcnn文章中的具体实现。可以在主函数中看到，其包括的步骤为：

• RPN 1，使用imagenet model进行初始化参数，生成proposal，这里存储在mp_kwargs
• fast rcnn 1，使用 imagenet model 进行初始化参数，使用刚刚生成的proposal进行fast rcnn的训练
• RPN 2使用 fast rcnn 中的参数进行初始化（这里要注意哦），并生成proposal
• fast rcnn 2，使用RPN 2 中的 model进行初始化参数，

（9）train_net.py

使用fast rcnn，训练自己数据集的网络模型。

（10）train_svms.py

使用最原始的RCNN网络训练post-hoc SVMs。

5、lib文件夹

用来存放一些python接口文件，如其下的datasets主要负责数据库读取，config负责cnn一些训练的配置选项。

lib/rpn

这就是RPN的核心代码部分，有生成proposals和anchor的方法

（1）generate_anchors.py

生成多尺度和多比例的锚点。这里由generate_anthors函数主要完成，可以看到，使用了 3 个尺度( 128, 256, and 512)以及 3 个比例(1:1,1:2,2:1)。一个锚点由w, h, x_ctr, y_ctr固定，也就是宽、高、x center和y center固定。

（2）proposal_layer.py

这个函数是用来将RPN的输出转变为object proposals的。作者新增了ProposalLayer类，这个类中，重新了set_up和forward函数，其中forward实现了：生成锚点box、对于每个锚点提供box的参数细节、将预测框切成图像、删除宽、高小于阈值的框、将所有的(proposal, score) 对排序、获取 pre_nms_topN proposals、获取NMS 、获取 after_nms_topN proposals。（注：NMS，nonmaximum suppression，非极大值抑制）

（3）anchor_target_layer.py

生成每个锚点的训练目标和标签，将其分类为1 (object), 0 (not object) ， -1 (ignore).当label>0，也就是有object时，将会进行box的回归。其中，forward函数功能：在每一个cell中，生成9个锚点，提供这9个锚点的细节信息，过滤掉超过图像的锚点，测量同GT的overlap。

（4）proposal_target_layer.py

• 对于每一个object proposal 生成训练的目标和标签，分类标签从0-k，对于标签>0的box进行回归。（注意，同anchor_target_layer.py不同，两者一个是生成anchor，一个是生成proposal）
• （5）generate.py
• 使用一个rpn生成object proposals。

• lib/nms文件夹
• 做非极大抑制的部分，有gpu和cpu两种实现方式
  
• （1）py_cpu_nms.py

核心函数

• lib/datasets文件夹
• 在这里修改读写数据的接口主要是datasets目录下
  
• （1）factory.py
• （2）imdb.py
• （3）pascal_voc.py
• （4）voc_eval.py
• 
  
• • lib/fast_rcnn文件夹
  • 主要存放的是python的训练和测试脚本，以及训练的配置文件config.py
    
  • （1）config.py
  • （2）nms_wrapper.py
  • （3）test.py
  • （4）train.py
  
  

• lib/roi_data_layer文件夹
• 主要是一些ROI处理操作
  
• （1）layer.py
• （2）minibatch.py
• （3）roidb.py
• 
  

• lib/utils文件夹
• （1）blob.py
• （2）timer.py
• • lib/transform文件夹
  
  

• 6、models/pascal_voc/VGG16/faster_rcnn_alt_opt文件夹
• 里面存放了三个模型文件，小型网络的ZF，大型网络VGG16，中型网络VGG_CNN_M_1024。推荐使用VGG16，如果使用端到端的approximate joint training方法，开启CuDNN，只需要3G的显存即可。
  
• （1）fast_rcnn_test.pt
• （2）rpn_test.pt
• （3）stage1_rpn_train.pt
• （4）stage1_fast_rcnn_train.pt
• • （5）stage2_rpn_train.pt
  • （6）stage2_fast_rcnn_train.pt
  • • 7、output

这里存放的是训练完成后的输出目录，默认会在faster_rcnn_end2end文件夹下