标签：种子 信息 解析 pen pascal 根据 存储 这一 相关
这段时间看了不少论文，回头看看，感觉还是有必要将Faster rcnn的源码理解一下，毕竟后来很多方法都和它有相近之处，同时理解该框架也有助于以后自己修改和编写自己的框架。好的开始吧～
这里我们跟着Faster rcnn的训练流程来一步一步梳理，进入tools\train_faster_rcnn_alt_opt.py中：
首先从__main__入口处进入，如下：
上图中首先对终端中的命令行进行解析，获取相关的命令参数；然后利用mp.Queue()创建一个多线程的对象，再利用get_solvers()获得solvers等信息；然后就开始了论文中的“四步训练”：
第一步，首先训练RPN网络：
上图中，先开始子进程训练RPN，训练函数是train_rpn()，那么我们就进入这个函数一探究竟：
这里首先使用cfg设置训练时的一些设置参数（cfg类是一个字典，其定义在config.py中，属于网络训练时的配置文件），然后是初始化caffe,这里主要是设置了随机数种子，以及使用caffe训练时的模式（gpu/cpu）；之后就是第一个重头戏--获取imdb和roidb格式的训练数据：
进入get_roidb()函数，如下：
首先通过get_imdb()函数获得imdb数据，那我们就再进入get_imdb()函数一探究竟，如下：
这里其实也是调用了pascal_voc()函数来创建imdb数据，pascal_voc类见pascal_voc.py文件中，如下：
这里只截取了一部分，可以发现，pascal_voc这个类主要用来组织输入的图片数据，存储图片的相关信息，但并不存储图片；而实际上，pascal_voc类是imdb类的一个子类；好了现在imdb数据已经获得了，再回到get_roidb()中，紧接着set_proposal_method()函数设置了产生proposal的方法，实际也是向imdb中添加roidb数据，进入set_proposal_method()这个函数：
首先用eval()对这个方法进行解析，使其有效，再传入roidb_handler中，这里遇到问题1（config.py设置产生proposal的默认方法是selective search，但本论文中应该是使用prn_roidb方法获得候选框的，这是在哪儿修改的？？？），先进入rpn_roidb()函数中：
首先用gt_roidb()获得gt的roi,进入gt_roidb()函数中：
这里gt_roidb()中实际是使用_load_pascal_annotation()通过解析XML文件获得gt的roi的，进入该解析函数：
可以发现，roidb的结构是一个包含有5个key的字典，具体值见上面代码～
然后再回到rpn_roidb()，使用_load_rpn_roidb()获得rpn_roidb，进入该函数中：
这里遇到问题2，”fileaname = self.config[‘rpn_file‘]“中的rpn_file默认值是0，后来是在哪儿赋值的？？？这里是用create_roidb_from_box_list()获得该roidb，进入该函数：
这里遇到问题3：rpn_roidb和gt_roidb有什么不同？？？
这一切弄好之后再回到rpn_roidb()中执行”roidb = self.merge_roidbs(gt_roidb , rpn_roidb)“将两种roidb进行融合，进入该融合函数：
这个时候就从imdb获得了最初的roidb格式的数据，但这还不是训练时的roidb数据，再回到get_roidb()函数中，通过get_training()函数得到最终用于训练的roidb数据，进入该函数：
先根据cfg.TRAIN.USE_FLIPPED判断是否需要对roi进行水平镜像翻转（注意这里的镜像的对称轴是图片的中心线），然后使用append_flipped_images()添加镜像roi，作者认为这样子能提高最终网络的训练结果（这应该算是一种简单的数据增强吧），进入该函数：
添加之后还没结束呢，回到get_training_roidb()中，最后还要再经过一步prepare_roidb()，进入该函数：
向roidb中再添加一些额外的信息就可以用来进行训练了，好了，到这儿，关于获取roidb和imdb的代码就介绍到这儿了，博文中的三个问题等我弄懂再更新进来，也请各位看官就这三个问题提点建议，歇息～
标签：种子 信息 解析 pen pascal 根据 存储 这一 相关
原文地址：http://www.cnblogs.com/zf-blog/p/7273182.html
