使用自己的資料訓練 Faster R-CNN 的 ResNet-50 模型
上次使用 Faster R-CNN 訓練了一個 VGG16 的網路，為了再提升識別的準確率，利用 ResNet 網路在同樣的資料上面訓練了多一次。
一、訓練網路
（一）下載 ResNet-50 的 prototxt 檔案
（二）相關檔案修改
1.cd $FRCN_ROOT/lib/rpn/generate_anchors.py
2.cd $FRCN_ROOT/lib/rpn/anchor_target_layer.py
3.cd $FRCN_ROOT/lib/rpn/proposal_layer.py
4.pascal_voc .py、imdb.py、train.prototxt、test.prototxt、.pt檔案
5.因為我們使用了5個尺度的anchors，所以之前的9個anchors變成了3*5=15個。
修改prototxt和pt檔案，將其中的18換成30。
- （三）下載 ImageNet 模型
下載 ImageNet 預訓練檔案：ResNet-50.v2.caffemodel
（四）清除快取
刪除快取檔案：$FRCN_ROOT/data/VOCdevkit2007/annotations_cache/annots.pkl$FRCN_ROOT/data/cache 下的 pkl 檔案
如果不清除快取可能會報錯。
（五）開始訓練
參照 VGG16 的訓練命令：cd $FRCN_ROOT
./experiments/scripts/faster_rcnn_end2end.sh 0 ResNet-50 pascal_voc
注意：第三個引數 ‘ResNet-50’，一定要和你的資料夾名字對應，比如我的檔案放在$FRCN_ROOT/models/pascal_voc/ResNet-50 裡面，所以我的第三個引數就為我目錄的名稱。
由於 ResNet-50 的網路更深，訓練的時間也需要更久，每一次迭代大約需要 0.5s ，訓練這個網路我用了大概10個小時，但效果會比用 VGG16 的好，主要是對小尺度的物體檢測更加準確了。
這是我訓練時各類的 AP ：
Caffe下py-faster-rcnn使用殘差網路Resnet進行訓練
Kaiming大神15年的ResNet出來已久，但仍然是現今頂尖的網路，論文中測試的方法是他自己的Faster RCNN，Github上也給出了原始的ResNet caffe結構。
但是對於我這樣的小白來說，還是不太清楚該如何取改他提供的模型去適應Faster RCNN進行目標檢測，用了很長時間終於搞清楚，特上傳其prototxt檔案記錄。
注：ResNet其他的結構按照同樣的方式改就行了。