1、从train_faster_rcnn_alt_opt.py文件开始，入口函数if __name__ =='__main__':
（1）首先，通过args = parse_args()函数从命令行读取参数，然后判断命令行参数cfg_file（配置文件），如果cfg_file是一个文件，那么利用cfg_from_file函数将cfg_file里面的数据合并到cofig.py文件中，实际上就是用cfg_file更新cofig.py里面的变量的默认值，如果cfg_file是一个列表，那么使用cfg_from_list函数去更新cofig.py
（2）创建一个进程，然后使用get_solvers(args.net_name)函数得到四部训练过程中的参数值prototxt文件、迭代次数、rpn_test.pt的绝对路径。
2、下面开始第一个阶段的训练：Stage 1 RPN, init from ImageNet model（假设使用的是voc2007数据集，基础网络是ZF网络）
配置训练函数train_rpn所需要的参数，然后将train_rpn放入进程中，下面来看train_rpn函数：
首先设置参数，其中cfg.TRAIN.PROPOSAL_METHOD ='gt'，这个参数先注意一下，马上就可以用到：通过get_roidb(imdb_name)，函数获取roidb和 imdb，下面进入get_roidb(imdb_name)函数看一下内部结构：
假设imdb_name为：voc_2007_trainval，进入get_imdb函数函数，发现get_imdb函数的返回值imdb是一个pascal_voc类，而且pascal_voc类是imdb类的一个子类，然后执行imdb的函数set_proposal_method，这里要注意：cfg.TRAIN.PROPOSAL_METHOD ='gt'，进入set_proposal_method函数：发现这个函数最终的结果是：
self._roidb_handler = self.gt_roidb，而且self.gt_roidb也是一个函数，进入self.gt_roidb函数，发现这个函数做了两件事情：
第一，返回了gt_roidb，而且gt_roidb是一个列表，列表的长度是读取的图片的个数，列表中的每一个元素都是一个字典，字典的内容包括：'boxes' （num_objs行4列的矩阵，num_objs是图片中的物体数量，4列是每个物体左上角和右下角的坐标），'gt_classes'（包含num_objs个元素的一维矩阵，矩阵中每个元素的取值表示：物体所对应的类别号），'gt_overlaps'（num_objs行21列的矩阵，这个矩阵表示的是：每个物体的box和gt_box的IOU，由于这里本来就只有gt_box，所以IOU为1，因此这个矩阵的每一行中，只有这个物体所对应的类别号所在的列元素为1，其余都为0），'flipped'（有没有翻转，默认没有，所以取值为：False），'seg_areas'（包含num_objs个元素的一维矩阵，矩阵中每个元素的取值表示：这个物体的gt_box的面积）
第二，将得到的gt_roidb写入'voc_2007_trainval_gt_roidb.pkl'文件中。
这样，初步得到了roidb（即为：gt_roidb），下面通过get_training_roidb函数对刚才得到roidb做进一步的处理，下面进入get_training_roidb函数：
首先看到，这个函数的传入变量是我们上面得到的pascal_voc类，而且cfg.TRAIN.USE_FLIPPED的取值为：True，那么执行imdb.append_flipped_images()函数，这个函数做三件事：
第一，将roidb列表做一个copy，然后对copy的元素进行操作：（1）修改'boxes'的值（对图片做翻转，那么gt_box的坐标必然会发生变化）（2）修改'flipped'的值为：True（代表这张图片是经过翻转之后的图片）
第二，将修改后的copy数据添加到原来的roidb列表中，这样列表的长度翻倍
第三，将self._image_index（是一个列表，保存的是图片的名称）复制一份，并和原来的列表拼接在一块，这样self._image_index的长度也翻倍
然后，执行prepare_roidb(imdb)函数，这个函数主要是往roidb列表的每一个字典元素中增加更多的key和value：
roidb[i]['image']：每张图片的绝对路径
roidb[i]['width']：每张图片的宽度
roidb[i]['height']：每张图片的高度
roidb[i]['max_classes'] =gt_overlaps.argmax(axis=1)：每张图片中包含的物体的类别号（是一个：一维向量）
roidb[i]['max_overlaps'] =gt_overlaps.max(axis=1)：# 按照行求最大值，对于gt_box来说结果为np.ones(物体个数)，是一个：一维向量，这里因为只有gt_box，所以取值为1
最后，返回get_roidb函数中，到这里，关于图片的原始数据的准备工作就结束了：roidb（gt_box)和imdb（pascal_voc类）。
这里总结一下roidb，roidb是一个列表，列表的长度是读取的图片文件个数的两倍（注意，经过了图片翻转），列表中的每一个元素都是一个字典，而且字典的key包括：'boxes' 、'gt_classes'、'gt_overlaps'、'flipped'（原始图片取值为：False，翻转之后的图片取值为：True）、'image'、'width'、'height'、'max_classes'、'max_overlaps'。
有个地方需要注意一下：对于gt_box来说，'gt_classes'和'max_classes'的取值是一样的。
网友评论