1、把自己的資料集放到Faster-master中
我覺得這個過程是最重要的一個過程吧，博主在這裡跳了很多的坑，最後找到了一個非常簡單高效的方法。不用修改任何檔案，就可以輕鬆實現載入自己的資料集。
在faster_rcnn-master資料夾下，有一個datasets資料夾，把VOCdevkit2007資料夾放在datasets資料夾下，然後在VOCdevkit2007資料夾下把你的資料集資料夾拷進去，並把你的資料集資料夾命名為VOC2007。通過這種方式可以最大限度的減少路徑修改的麻煩。當然，如果你不想這樣做，就需要修改faster_rcnn-master\datasets\VOCdevkit2007\VOCcode\VOCinit.m

不採用命名VOC2007的方法就要把這幾個路徑修改成自己的路徑。

2、修改資料標籤
在faster_rcnn-master\datasets\VOCdevkit2007\VOCcode\VOCinit.m中把標籤修改成自己的標籤

if VOC2006

    % VOC2006 classes

    VOCopts.classes={...
        'bicycle'
        'bus'
        'car'
        'cat'
        'cow'
        'dog'
        'horse'
        'motorbike'
        'person'
 

        'sheep'};
else

    % VOC2007 classes

    VOCopts.classes={...
         'person'      %修改成自己的標籤
        };
end

3、修改驗證引數
function\fast_rcnn\fast_rcnn_train.m和function\rpn\proposal_train.m中，

 ip.addParamValue('val_iters',       56,            @isscalar); %原來的值是500
    ip.addParamValue('val_interval'
 
,    2000,           @isscalar); 

據說這個地方是根據資料集來的，是驗證集的1/5，博主沒有試過不修改是什麼情況，感興趣的同學可以不修改對比有什麼差別。

4、網路模型引數的修改

models\ fast_rcnn_prototxts\ZF\ train_val.prototxt models檔案中預設的應該是空資料夾，這個模型大小1.4G，我沒法上傳，所以大家先去網上找找下載一下，如果找不到聯絡我我再把需要的檔案發給你。

input: "bbox_targets"  
input_dim: 1  # to be changed on-the-fly to match num ROIs  
input_dim: 8 # 根據類別數改，該值為（類別數+1）*4 
input_dim: 1  
input_dim: 1  

input: "bbox_loss_weights"  
input_dim: 1  # to be changed on-the-fly to match num ROIs  
input_dim: 8 # 根據類別數改，該值為（類別數+1）*4   
input_dim: 1  
input_dim: 1  

layer {  
    bottom: "fc7"  
    top: "cls_score"  
    name: "cls_score"  
    param {  
        lr_mult: 1.0  
    }  
    param {  
        lr_mult: 2.0  
    }  
    type: "InnerProduct"  
    inner_product_param {  
        num_output: 2 #根據類別數改該值為類別數+1  

layer {  
    bottom: "fc7"  
    top: "bbox_pred"  
    name: "bbox_pred"  
    type: "InnerProduct"  
    param {  
        lr_mult: 1.0  
    }  
    param {  
        lr_mult: 2.0  
    }  
    inner_product_param {  
        num_output: 8  #根據類別數改，該值為（類別數+1）*4   

faster_rcnn-master\models\fast_rcnn_prototxts\ZF\test.prototxt

layer {
    bottom: "fc7"
    top: "cls_score"
    name: "cls_score"
    param {
        lr_mult: 1.0
    }
    param {
        lr_mult: 2.0
    }
    type: "InnerProduct"
    inner_product_param {
        num_output: 2 #根據類別修改！類別數+1
        weight_filler {
            type: "gaussian"
            std: 0.01
        }
        bias_filler {
            type: "constant"
            value: 0
        }
    }
}

layer {
    bottom: "fc7"
    top: "bbox_pred"
    name: "bbox_pred"
    type: "InnerProduct"
    param {
        lr_mult: 1.0
    }
    param {
        lr_mult: 2.0
    }
    inner_product_param {
        num_output: 8 #根據類別修改！（類別數+1）*4
        weight_filler {
            type: "gaussian"
            std: 0.001
        }
        bias_filler {
            type: "constant"
            value: 0
        }
    }
}

models\ fast_rcnn_prototxts\ZF_fc6\ train_val.prototxt

input: "bbox_targets"  
input_dim: 1  # to be changed on-the-fly to match num ROIs  
input_dim: 8 # 4*(類別數+1)  因為我只標註了一個類 
input_dim: 1  
input_dim: 1 

input: "bbox_loss_weights"  
input_dim: 1  # to be changed on-the-fly to match num ROIs  
input_dim: 8 # 4*(類別數+1) 
input_dim: 1  
input_dim: 1 

layer {  
    bottom: "fc7"  
    top: "cls_score"  
    name: "cls_score"  
    param {  
        lr_mult: 1.0  
    }  
    param {  
        lr_mult: 2.0  
    }  
    type: "InnerProduct"  
    inner_product_param {  
        num_output: 2   #類別數+1  

layer {  
    bottom: "fc7"  
    top:"bbox_pred"  
    name:"bbox_pred"  
    type:"InnerProduct"  
    param {  
       lr_mult:1.0  
    }  
    param {  
       lr_mult:2.0  
    }  
    inner_product_param{  
       num_output: 8   #（類別數+1）*4

models\ fast_rcnn_prototxts\ZF_fc6\ test.prototxt

layer {  
    bottom: "fc7"  
    top: "cls_score"  
    name: "cls_score"  
    param {  
        lr_mult: 1.0  
    }  
    param {  
        lr_mult: 2.0  
    }  
    type: "InnerProduct"  
    inner_product_param {  
        num_output: 2  類別數+1  

layer {  
    bottom: "fc7"  
    top: "bbox_pred"  
    name: "bbox_pred"  
    type: "InnerProduct"  
    param {  
        lr_mult: 1.0  
    }  
    param {  
        lr_mult: 2.0  
    }  
    inner_product_param {  
        num_output: 8  #（類別數+1） *4

5、solver檔案的更改

solver檔案的更改在faster_rcnn-master\experiments+Model\ZF_for_Faster_RCNN_VOC2007.m

model.stage1_rpn.solver_def_file                = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'solver_30k40k.prototxt');   %solver_60k80k.prototxt可以修改不同的solver檔案  
model.stage1_rpn.test_net_def_file              = fullfile(pwd, 'models', 'rpn_prototxts', 'ZF', 'test.prototxt');  
model.stage1_rpn.init_net_file                  = model.pre_trained_net_file;  

6、開始訓練

開啟faster_rcnn-master\experiments\script_faster_rcnn_VOC2007_ZF.m，切換到faster_rcnn-master目錄，開始訓練。

補充：
如果出現測試精度為0的情況，需要在imdb\imdb_eval_voc.m中做以下修改

%do_eval = (str2num(year) <= 2007) | ~strcmp(test_set,'test');  
do_eval = 1;