用Faster RCNN訓練自己的資料集
Faster RCNN（py caffe）工程各個目錄的作用：
- caffe-fast-rcnn：caffe框架目錄；
- data：用來存放pretrained（預訓練）模型以及讀取檔案的cache快取，還有一些下載模型的指令碼；
- experiments:存放配置檔案以及執行的log檔案，另外這個目錄下有scripts，裡面存放end2end和alt_opt兩種訓練方式的指令碼；
- lib：用來存放一些python介面檔案，如其下的datasets主要負責資料庫讀取，config負責一些訓練的配置選項；
- models：裡面存放了三個模型檔案，小型網路ZF，中型網路VGG_CNN_M_1024以及大型網路VGG16，根據你的硬體條件來選擇使用哪種網路，ZF和VGG_CNN_M_1024需要至少3G記憶體，VGG16需要更多的記憶體，但不會超過11G；
- output：這裡存放的是訓練完成後的輸出目錄，這是運行了訓練後才會出現的目錄；
- tools：裡面存放的是訓練和測試的Python檔案；
一、簡單修改，用Pascal Voc 2007 格式，僅替換其中的XML檔案及圖片等
用自己資料集圖片標籤等替換原來的pascal voc
- 用自己要訓練的圖片/資料集替換
FRCN_ROOT/data/VOCdevkit2007/VOC2007/JPEGImages/下的圖片； - 用自己資料集對應的標籤替換
FRCN_ROOT/data/VOCdevkit2007/VOC2007/Annotations/目錄下的XML檔案； - 用自己做的train.txt、val.txt、trainval.txt、待檢測目標_train.txt、待檢測目標_val.txt、待檢測目標_trainval.txt（如：insulator_train.txt）等txt檔案替換
FRCN_ROOT/data/VOCdevkit2007/VOC2007/ImageSets/Main/目錄下的txt檔案；
修改prototxt配置檔案
這些配置檔案都在FRCN_ROOT/models/pascal_voc/下。裡面有三種網路結構：VGG16、VGG_CNN_M_1024、ZF，本文選擇的是ZF 。每個網路結構中都有三個資料夾，分別是faster_rcnn_alt_opt、faster_rcnn_end2end、faster_rcnn；
（網上說：使用近似聯合訓練，比交替優化快1.5倍，但是準確率相近，所以推薦使用這種方法）所以，更改faster_rcnn_end2end資料夾下的train.prototxt和test.prototxt：
- train.prototxt（所在目錄：
/home/xu/FRCN_ROOT/models/pascal_voc/ZF/faster_rcnn_end2end/test.prototxt）中需要更改的地方有三處，第一處是’input-data’層： 將num_output原來的21（目標20種+背景1種=21）改為：資料集目標類別數+1:
第二處是cls_score層：
num_output修改原理同第一處：
第三處是bbox_pred層，在這裡需將num_output原來的84改為：（目標類別數+1）×4，原來的是（20+1）*4=84：
- test.prototxt中沒有input-data層，所以只需按照train中的修改cls_score層以及bbox_pred層即可：
修改lib/datasets/pascal_voc.py，將類別改成自己的類別
進入RCN_ROOT/lib/datasets/，找到pascal_voc.py檔案，將類別修改為自己資料集的目標類別：
datasets目錄下主要有三個檔案，分別是 (1) factory.py:這是一個工廠類，用類生成imdb類並且返回資料庫供網路訓練和測試使用； (2) imdb.py:是資料庫讀寫類的基類，封裝了許多db的操作； (3) pascl_voc.pyRoss用這個類來操作;
開始訓練
cd FRCN_ROOT
./experiments/scripts/faster_rcnn_end2end.sh 0 ZF pascal_voc
由於訓練過程太長，可以將訓練過程產生的輸出定向輸入到log檔案中，這樣可方便檢視。只需在上述命令中加入定向輸入的命令即可，如下：
./experiments/scripts/faster_rcnn_end2end.sh 0 ZF pascal_voc > /home/xu/log/clothdirector.log 2>&1
！！！訓練前需要將cache中的pki檔案以及VOCdevkit2007中annotations_cache的快取刪掉。