前言：
關於faster rcnn的訓練網絡，哪怕你一直很努力，死磕代碼。就會像這圖一樣智商不夠用啊，這邊看了那邊忘。所以希望大家能體系的學習faster rcnn。因爲走了很多彎路，總結一下自己的理解。本篇關於Faster rcnn 的訓練是基於tensorflow版本的，因爲最近一直在搞這個，也爲了鞏固一下知識點，在此寫個博客，也希望能幫助到大家。廢話不多說，我們直接開始。
第一點：首先要明白faster rcnn目錄下都有哪些文件夾，都有什麼用處。如下截圖：
文件夾：
data--------->存放的是用於訓練的數據集，一般我們用的都是voc2007的數據集，知道就行了，還有一個很重要的是文件夾是pretrain_model，必不可少的，這裏面存放的VGG_imagenet.npy也就是VGG模型，這個大家在網上找找就能找到。還有一個cache文件夾是隨着訓練的進行，用來存放訓練數據的，爲了下次加載數據方便。
experiments---->下面有個scripts文件夾裏面存放的是faster_rcnn_end2end.sh，算是起始指令吧，我們是通過運行這個文件，加載參數來調用其他各個文件的。
lib------------>該文件夾裏面存放的東西很多，主要是一些python接口文件及運行的log文件。所以說程序運行之前先make一下。關於裏面各個作用，下面我會根據訓練流程一一講解。
output-------->存放當然是你的輸出結果了，你的訓練結束後所訓練好的模型。
tools------->裏面的是訓練、測試的加載起始文件。demo.py是一個簡單的測試文件。
好了，關於各個文件的說明已經結束。
第二點：faster rcnn訓練流程開始
1.數據加載
通過./experiments/scripts/faster_rcnn_end2end.sh gpu 0 VGG16 pascal_voc命令，調用tools/train_net.py加載完參數後 imdb = get_imdb(args.imdb_name)調用了get_imdb()函數（該函數來於lib/datasets/factory.py）返回的是一個lambda表達式（其實是通過pascal_voc()函數來創建imdb數據的，通過該表達式，進入了pascal_voc函數，初始化了imdb數據，此時，數據加載完成。---->self._roidb_handler = self.gt_roidb並設置了gt_roidb
2.得到最初的roidb數據
然後返回train_net.py函數中執行 roidb = get_training_roidb(imdb)其中要調用imdb.append_flipped_images()函數，這個是基類的imdb的成員函數。在這個函數裏面，對所有圖像的for循環裏，調用了self.roidb()函數（boxes = self.roidb[i]['boxes'].copy()),這個時候就會調用imdb的roidb函數，roidb函數檢查類成員_roidb是否爲空，如果不是空直接返回，否則調用roidb_db_handler()函數，因已經設了gt_roidb,實際執行了gt_roidb()函數，這個函數是在pascal_voc類。gt_roidb函數通過load_pascal_annotation()讀取pascal_voc的標註。形成的roidb格式爲：
list[
dict1(for image 1):
{ 'boxes' : （np.array，(N，4)，左上角和右下角頂點座標，從0開始）
'gt_classes': (np.array,(N,),每個框的類別號，21類--0到20中的數字)
'gt_overlaps':(np.array,(N,21),稀疏矩陣，每個框對應的那一類爲1，其他是0)
'seg_areas':(np.array,(N,),每個框的面積)
'flipped':False}
dict2(for image 2):
{
}..................
...]
在這裏append_flipped_images就是對每張圖片的每個框都做一個水平對稱變換（加強數據集），即x座標變，y座標不變。最終就是gt_roidb的長度加倍。接着回到get_training_roidb(imdb)函數中，往下執行。由於HAS_RPN=True,IS_MULTISCALE=False.因此調用rdl_roidb(即roi_data_layer文件夾中的roidb文件)的prepare_roidb(imdb)函數，進一步添加roidb數據的字段。）
list[
dict1(for image 1):
{ 'boxes' : （np.array，(N，4)，左上角和右下角頂點座標，從0開始）
'gt_classes': (np.array,(N,),每個框的類別號，21類--0到20中的數字)
'gt_overlaps':(np.array,(N,21),稀疏矩陣，每個框對應的那一類爲1，其他是0)
'seg_areas':(np.array,(N,),每個框的面積)
'flipped':False
'Image':當前圖像的路徑
'width':圖像的寬度
'height':圖像的高度
'max_classes':(np.array,(N,),每個框與gt的overlap最大的類別號，就是類別標號)
'max_overlaps':(np.array,(N,),全1)}
dict2(for image 2):
{
}..................
...]小總結：1.2完成後返回了最終的imdb、roidb對象。注意這兩部一定要好好結合pascal_voc.py（後續我會繼續更新這部分代碼的理解）文件進行理解。
3.調用train_net()函數爲roidb添加字段
接下來開始真正調用train.py文件中的train_net函數了。 roidb = filter_roidb(roidb)，故roidb要先經過篩選，該函數的作用是刪除沒有用的roidb數據，具體判決：檢查每個圖像中至少有一個前景roi(overlap大於0.5)或背景的roi（overlap大於等於0小於0.5），這樣imdb和roidb就完全準備好了。開始調用train_net函數。
train_net函數中，需要構造solver對象，而solver類在初始化時需要繼續對roidb添加更多的信息，涉及到的函數是self.bbox_means, self.bbox_stds = rdl_roidb.add_bbox_regression_targets(roidb)即rdl_roidb中的add_bbox_regression_targets函數，在該函數中，可以看到爲每個圖像的roidb中加入了“bbox_targets"字段，調用的函數爲_compute_targets(),該函數的輸入參數爲：
rois : 'boxes' : （np.array，(N，4)，左上角和右下角頂點座標，從0開始)
'max_classes':(np.array,(N,),每個框與gt的overlap最大的類別號，就是類別標號)
'max_overlaps':(np.array,(N,),全1
其實這裏調用這個函數沒有什麼意義。因爲這裏全是groundtruth的bbox，而這個_compute_targets函數我們稍後會看到它是一個計算迴歸偏移量的。而gt的bbox傳進去，計算的偏移量當然是0。因此可以看到添加的bbox_targets字段是一個(N,5)的矩陣，第一列是類別，後面四列是迴歸偏移量，在這裏全是0。這裏只要知道一下被添加了一個字段就好了。下面開始調用solver的train_model函數。