這一週訓練了一個fast-rcnn網路，趁著還沒有忘記先記一筆。

關於圖片檢測detection這一類問題，隨著CNN的流行出現了許多新的方法與系統。其中RCNN就是比較出名的一個。Rcnn的論文在此

caffe裡也實現了rcnn具體的demo

在rcnn的paper中第一步在圖片中選取region proposals。第二步用CNN提取proposal 的特徵，最後使用svm演算法進行分類。實現一個detection的任務。

雖然rcnn的效果不錯，但是演算法慢是一個硬傷，感覺時間主要畫在了特徵提取上。我們實驗室用k40顯示卡每一張圖片提特徵在10ms左右，真的像論文說的那樣，提取k級的proposals 一張圖片僅僅提特徵就是秒級。所以RCNN的很多改進方法被提了出來。

Fast-rcnn,Faster-rcnn都能在提高速度基礎上增加準確率。兩個演算法的paper和code如下：

Faster-rcnn沒完全搞明白，所以分享一下fast-rcnn 使用和訓練的經驗和心得。

在fast-rcnn中將img與object proposals直接輸入fully convolutional中，提取了proposals的特徵之後一個全連線FC對映到了特徵向量。整個網路在最後輸出了兩個Loss(softmax probabilities, per-class bounding-boxregression)所以快就可能快在了前面的提特徵,準應該準在了2個loss上。

在clone編譯完fast-rcnn之後，進入tools目錄可以執行demo.py看看效果。這個demo解決的問題是VOC問題，資料是VOC2007,網址如下：

如果，需要detection的class有這個VOC問題中20類的一類，那麼恭喜中獎，需不需要再重新訓練網路感覺不是很重要了，修改一下demo.py中的部分程式碼就可以出色完成detection任務(前期我就是這麼做的:p )。但是如果想去訓練一個新的網路，可能需要花一點時間了。

在探索訓練之路時候這三篇文章對我幫助極大，尤其第一篇，我幾乎是看著這手把手復現的整個訓練過程，在此先po出。如果訓練出現了問題在上面issues會有許多前輩的踩坑經驗，看看受益匪淺。

首先準備好需要訓練的資料，主要是所以圖片，圖片的索引，和標註資訊。

在上面的文章中，標註資訊有兩種組織形式，一種是xml，一種是txt。這兩種資訊都可以，但是選擇哪一種都需要關注lib/datasets/pascal_voc.py 的_load_pascal_annotation方法。這原來是載入xml的，後來上面前輩修改了txt版本的，所以什麼感覺都可以。

之後是構建lmdb格式。我們可以修改本身的pascal_voc.py程式碼，根據標註的資訊寫入你需要detection的類。之後修改目錄下的factory.py檔案，將訓練集的目錄寫到裡面。

之後找fast-rcnn根目錄下的selective_search目錄執行selective_search.m 訓練集把輸出的結果改成train.mat送到資料集的目錄裡去。因為實驗室安裝了matlab和Xmanager所以很輕鬆完成了這一步，如果沒有安裝matlab，上面三篇部落格有一個前輩也沒有用matlab，請參考。

接著，我們需要改一下Prototxt 和 Rename Layers.因為，訓練時候，感覺是將原有的模型finetune一下。所以我們要像finetune一樣修改一下Layers的名字(前後6個)。除了改最後的兩層loss名字和要檢測的類個數，input層改輸入的類個數，cls層改成輸入的類個數，bbox層改成4*類個。這個根據實際需求修改。

之後請注意：

/lib/fast_rcnn/train.py

/lib/fast_rcnn/test_train.py

/lib/fast_rcnn/test.py裡面也有相應的層，也需要修改，要不然迭代了10000次會存不下來的….

至此所有的準備工作就已經完成了。開心的訓練吧。

 ./tools/train_net.py --gpu 0 --solvermodels/CaffeNet/solver.prototxt --weights data/imagenet_models/CaffeNet.v2.caffemodel--imdb train（還有兩個網路可以訓練，如果訓練失敗，看一看之前有沒有執行下載原來model的sh）。

不過，我還是遇到了一個坑。是在訓練時報的這樣一個錯

roidb[i]['image'] = imdb.image_path_at(i)
IndexError: list index out of range。

這個問題請到fast-rcnn-master/data/cache/刪掉原來的東西。