從E，P，T 下手調節代碼，梳理作者思路
綜合分析
E：
類別名的修改
訓練集標註
訓練集測試集的拆分
數據處理：訓練尺寸：最小尺寸和最大尺寸
P：
預訓練權重
rpn框數
T：
學習率
最大迭代次數
保存模型迭代次數
詳細步驟
首先可以肯定的是代碼以 experiments文件 中的 腳本文件scripts 開頭
我們以 rfcn_end2end_ohem.sh 爲案例開始梳理
期間調用了很多的配置文件需要我們修改，我們逐個分析：
一：運行文件
rfcn_end2end_ohem.sh 爲第一個修改內容，它是一個運行整個程序的腳本文件，可以修改的地方是第一個pascal_voc中的iters迭代次數 ITERS
同時我們也看到了三個配置文件的路徑
TRAIN_IMDB ：訓練集路徑
TEST_IMDB：測試集路徑
PT_DIR：配置路徑
都需要進行修改，但這三個我們暫時不去理會
二：配置文件
同樣在experiments文件下有一個叫cfgs的文件夾，其中放了相對腳本的配置文件
所以我們修改的是 rfcn_end2end_ohem.yml 其中可以修改的參數是
SNAPSHOT_ITERS：參數，循環多少次，保存一次模型
RPN_POST_NMS_TOP_N : 選取多少個rpn框
三：數據安放
這時候就需要我們對EPT思路有所理解了，E代表數據，所以我們就先處理數據
首先我們要建立一個類似下面的結構，Annotations 存放xml文件 ，JPEGimages 存放圖片 ， Main存放圖片名字類型的txt
然後將整個ImageSets文件放入data文件夾下，閱讀readme即可知詳細位置
Please copy this folder to $RFCN_ROOT/data/VOCdevkit0712/VOC0712 根據readme內容可知，最後的路徑在
四：修改類名
在lib文件夾下的 datasets/pascal_voc 是修改類名的py文件
同時在 fast_rcnn/config 中可以修改圖片尺度大小的配置，完成多尺度訓練
配置最大尺度和最小尺度
五：添加網絡
在data文件中 的imagenet_models 下添加主幹網絡，沒有則新建，閱讀readme即可得到下載網址
./data/scripts/fetch_imagenet_models.sh
六：迭代修改
model/pascal_voc/ResNet-50/rfcn_end2ends/solver_ohem.prototxt ：
①調整學習率，多少次降低一次學習率，打印跨數
②模型名稱 snapshot_prefix = “ ”
model/pascal_voc/ResNet-50/rfcn_end2ends/train_agnostic_ohem.prototxt 和 test_agnostic.prototxt 相同
①類別數
②搜索PSROIPooling 修改num_output
③修改position sensitive ROI pooling 輸出
output
group_size
文件分析：
data：
新建cache（貯存器） 所有的標籤讀取起來，然後放在一起
* 要常清理，默認有的話會直接讀取，但我們的數據時有改變
* 還記錄了對數據集的所有操作，相當於日誌
imagenet_models:主幹網絡
main：分配好訓練集和測試集的圖片名，不需要後綴
experiments：
cfgs：配置參數
logs：觀看日誌可知後臺是否在運行程序
scripts：代碼運行文件
lib:庫
rpn：pyc是py編譯的中間過程，是rcnn的主要文件
datasets：
pascal_voc:
1.編輯類名
2.問題1：而此代碼的pascal設置第一位是1，所以減一
問題2：有的圖片設置位置超出區域後會轉回來
可以設置臨界點，比如大於20就規定20
fast_rcnn:
config:控制是否多尺度訓
model:
pascal_voc:
ResNet-50:
rfcn_end2ends:
solver_ohem.prototxt
①調整學習率，多少次降低一次學習率，打印跨數
②模型名稱 snapshot_prefix = “ ”
train_agnostic_ohem.prototxt
①類別數
②搜索ps 修改num_output
③修改position sensitive ROI pooling 輸出
output
group_size
參考圖：
職業化：控制邊框邊界溢出
