从E，P，T 下手调节代码，梳理作者思路
综合分析
E：
类别名的修改
训练集标注
训练集测试集的拆分
数据处理：训练尺寸：最小尺寸和最大尺寸
P：
预训练权重
rpn框数
T：
学习率
最大迭代次数
保存模型迭代次数
详细步骤
首先可以肯定的是代码以 experiments文件 中的 脚本文件scripts 开头
我们以 rfcn_end2end_ohem.sh 为案例开始梳理
期间调用了很多的配置文件需要我们修改，我们逐个分析：
一：运行文件
rfcn_end2end_ohem.sh 为第一个修改内容，它是一个运行整个程序的脚本文件，可以修改的地方是第一个pascal_voc中的iters迭代次数 ITERS
同时我们也看到了三个配置文件的路径
TRAIN_IMDB ：训练集路径
TEST_IMDB：测试集路径
PT_DIR：配置路径
都需要进行修改，但这三个我们暂时不去理会
二：配置文件
同样在experiments文件下有一个叫cfgs的文件夹，其中放了相对脚本的配置文件
所以我们修改的是 rfcn_end2end_ohem.yml 其中可以修改的参数是
SNAPSHOT_ITERS：参数，循环多少次，保存一次模型
RPN_POST_NMS_TOP_N : 选取多少个rpn框
三：数据安放
这时候就需要我们对EPT思路有所理解了，E代表数据，所以我们就先处理数据
首先我们要建立一个类似下面的结构，Annotations 存放xml文件 ，JPEGimages 存放图片 ， Main存放图片名字类型的txt
然后将整个ImageSets文件放入data文件夹下，阅读readme即可知详细位置
Please copy this folder to $RFCN_ROOT/data/VOCdevkit0712/VOC0712 根据readme内容可知，最后的路径在
四：修改类名
在lib文件夹下的 datasets/pascal_voc 是修改类名的py文件
同时在 fast_rcnn/config 中可以修改图片尺度大小的配置，完成多尺度训练
配置最大尺度和最小尺度
五：添加网络
在data文件中 的imagenet_models 下添加主干网络，没有则新建，阅读readme即可得到下载网址
./data/scripts/fetch_imagenet_models.sh
六：迭代修改
model/pascal_voc/ResNet-50/rfcn_end2ends/solver_ohem.prototxt ：
①调整学习率，多少次降低一次学习率，打印跨数
②模型名称 snapshot_prefix = “ ”
model/pascal_voc/ResNet-50/rfcn_end2ends/train_agnostic_ohem.prototxt 和 test_agnostic.prototxt 相同
①类别数
②搜索PSROIPooling 修改num_output
③修改position sensitive ROI pooling 输出
output
group_size
文件分析：
data：
新建cache（贮存器） 所有的标签读取起来，然后放在一起
* 要常清理，默认有的话会直接读取，但我们的数据时有改变
* 还记录了对数据集的所有操作，相当于日志
imagenet_models:主干网络
main：分配好训练集和测试集的图片名，不需要后缀
experiments：
cfgs：配置参数
logs：观看日志可知后台是否在运行程序
scripts：代码运行文件
lib:库
rpn：pyc是py编译的中间过程，是rcnn的主要文件
datasets：
pascal_voc:
1.编辑类名
2.问题1：而此代码的pascal设置第一位是1，所以减一
问题2：有的图片设置位置超出区域后会转回来
可以设置临界点，比如大于20就规定20
fast_rcnn:
config:控制是否多尺度训
model:
pascal_voc:
ResNet-50:
rfcn_end2ends:
solver_ohem.prototxt
①调整学习率，多少次降低一次学习率，打印跨数
②模型名称 snapshot_prefix = “ ”
train_agnostic_ohem.prototxt
①类别数
②搜索ps 修改num_output
③修改position sensitive ROI pooling 输出
output
group_size
参考图：
职业化：控制边框边界溢出
