這段時間看了不少論文，回頭看看，感覺還是有必要將Faster rcnn的源碼理解一下，畢竟後來很多方法都和它有相近之處，同時理解該框架也有助於以後自己修改和編寫自己的框架。好的開始吧～

這裏我們跟著Faster rcnn的訓練流程來一步一步梳理，進入tools\train_faster_rcnn_alt_opt.py中：

首先從__main__入口處進入，如下：

上圖中首先對終端中的命令行進行解析，獲取相關的命令參數；然後利用mp.Queue()創建一個多線程的對象，再利用get_solvers()獲得solvers等信息；然後就開始了論文中的“四步訓練”：

第一步，首先訓練RPN網絡：

上圖中，先開始子進程訓練RPN，訓練函數是train_rpn()，那麽我們就進入這個函數一探究竟：

這裏首先使用cfg設置訓練時的一些設置參數（cfg類是一個字典，其定義在config.py中，屬於網絡訓練時的配置文件），然後是初始化caffe,這裏主要是設置了隨機數種子，以及使用caffe訓練時的模式（gpu/cpu）；之後就是第一個重頭戲--獲取imdb和roidb格式的訓練數據：

進入get_roidb()函數，如下：

首先通過get_imdb()函數獲得imdb數據，那我們就再進入get_imdb()函數一探究竟，如下：

這裏其實也是調用了pascal_voc()函數來創建imdb數據，pascal_voc類見pascal_voc.py文件中，如下：

這裏只截取了一部分，可以發現，pascal_voc這個類主要用來組織輸入的圖片數據，存儲圖片的相關信息，但並不存儲圖片；而實際上，pascal_voc類是imdb類的一個子類；好了現在imdb數據已經獲得了，再回到get_roidb()中，緊接著set_proposal_method()函數設置了產生proposal的方法，實際也是向imdb中添加roidb數據，進入set_proposal_method()這個函數：

首先用eval()對這個方法進行解析，使其有效，再傳入roidb_handler中，這裏遇到問題1（config.py設置產生proposal的默認方法是selective search，但本論文中應該是使用prn_roidb方法獲得候選框的，這是在哪兒修改的？？？），先進入rpn_roidb()函數中：

首先用gt_roidb()獲得gt的roi,進入gt_roidb()函數中：

這裏gt_roidb()中實際是使用_load_pascal_annotation()通過解析XML文件獲得gt的roi的，進入該解析函數：

可以發現，roidb的結構是一個包含有5個key的字典，具體值見上面代碼～

然後再回到rpn_roidb()，使用_load_rpn_roidb()獲得rpn_roidb，進入該函數中：

這裏遇到問題2，”fileaname = self.config[‘rpn_file‘]“中的rpn_file默認值是0，後來是在哪兒賦值的？？？這裏是用create_roidb_from_box_list()獲得該roidb，進入該函數：

這裏遇到問題3：rpn_roidb和gt_roidb有什麽不同？？？

這一切弄好之後再回到rpn_roidb()中執行”roidb = self.merge_roidbs(gt_roidb , rpn_roidb)“將兩種roidb進行融合，進入該融合函數：

這個時候就從imdb獲得了最初的roidb格式的數據，但這還不是訓練時的roidb數據，再回到get_roidb()函數中，通過get_training()函數得到最終用於訓練的roidb數據，進入該函數：

先根據cfg.TRAIN.USE_FLIPPED判斷是否需要對roi進行水平鏡像翻轉（註意這裏的鏡像的對稱軸是圖片的中心線），然後使用append_flipped_images()添加鏡像roi，作者認為這樣子能提高最終網絡的訓練結果（這應該算是一種簡單的數據增強吧），進入該函數：

添加之後還沒結束呢，回到get_training_roidb()中，最後還要再經過一步prepare_roidb()，進入該函數：

向roidb中再添加一些額外的信息就可以用來進行訓練了，好了，到這兒，關於獲取roidb和imdb的代碼就介紹到這兒了，博文中的三個問題等我弄懂再更新進來，也請各位看官就這三個問題提點建議，歇息～

Faster rcnn代碼理解（1）