faster rcnn根目錄下
1膜蠢、caffe-fast-rcnn文件夾
這是caffe框架目錄
2心褐、data文件夾
用來存放pretrained模型炫狱，比如imagenet上的，以及讀取文件的cache緩存
3废登、experiments文件夾
（1）logs
（2）scripts/faster_rcnn_alt_opt.sh
（3）cfgs/faster_rcnn_alt_opt.yml
存放配置文件以及運行的log文件震贵，另外這個目錄下有scripts可以用end2end或者alt_opt兩種方式訓練利赋。
4、tools文件夾
里面存放的是訓練和測試的Python文件猩系。
（1）_init_paths.py
用來初始化路徑的媚送，也就是之后的路徑會join（path，*）
（2）compress_net.py
用來壓縮參數(shù)的寇甸，使用了SVD來進行壓縮塘偎，這里可以發(fā)現(xiàn)，作者對于fc6層和fc7層進行了壓縮拿霉，也就是兩個全連接層吟秩。
（3）demo.py
通常，我們會直接調(diào)用這個函數(shù)绽淘，如果要測試自己的模型和數(shù)據(jù)涵防，這里需要修改。這里調(diào)用了fast_rcnn中的test沪铭、config壮池、nums_wrapper函數(shù)。vis_detections用來做檢測杀怠，parse_args用來進行參數(shù)設置椰憋，以及damo和主函數(shù)。
（4）eval_recall.py
評估函數(shù)
（5）reval.py
re-evaluate赔退，這里調(diào)用了fast_rcnn以及dataset中的函數(shù)橙依。其中证舟，from_mats函數(shù)和from_dets函數(shù)分別loadmat文件和pkl文件。
（6）rpn_genetate.py
這個函數(shù)調(diào)用了rpn中的genetate函數(shù)窗骑，之后我們會對rpn層做具體的介紹女责。這里，主要是一個封裝調(diào)用的過程慧域，我們在這里調(diào)用配置的參數(shù)鲤竹、設置rpn的test參數(shù)，以及輸入輸出等操作昔榴。
（7）test_net.py
測試fast rcnn網(wǎng)絡。主要就是一些參數(shù)配置碘橘。
（8）train_faster_rcnn_alt_opt.py
訓練faster rcnn網(wǎng)絡使用交替的訓練互订，這里就是根據(jù)faster rcnn文章中的具體實現(xiàn)《徊穑可以在主函數(shù)中看到仰禽，其包括的步驟為：
RPN 1，使用imagenet model進行初始化參數(shù)纺蛆，生成proposal吐葵，這里存儲在mp_kwargs
fast rcnn 1，使用 imagenet model 進行初始化參數(shù)桥氏，使用剛剛生成的proposal進行fast rcnn的訓練
RPN 2使用fast rcnn中的參數(shù)進行初始化（這里要注意哦）温峭，并生成proposal
fast rcnn 2，使用RPN 2 中的 model進行初始化參數(shù)字支，
（9）train_net.py
使用fast rcnn凤藏，訓練自己數(shù)據(jù)集的網(wǎng)絡模型。
（10）train_svms.py
使用最原始的RCNN網(wǎng)絡訓練post-hoc SVMs堕伪。
5揖庄、lib文件夾
用來存放一些python接口文件，如其下的datasets主要負責數(shù)據(jù)庫讀取欠雌，config負責cnn一些訓練的配置選項蹄梢。
lib/rpn
這就是RPN的核心代碼部分，有生成proposals和anchor的方法
（1）generate_anchors.py
生成多尺度和多比例的錨點富俄。這里由generate_anthors函數(shù)主要完成禁炒，可以看到，使用了 3 個尺度( 128, 256, and 512)以及 3 個比例(1:1,1:2,2:1)蛙酪。一個錨點由w, h, x_ctr, y_ctr固定齐苛，也就是寬、高桂塞、x center和y center固定凹蜂。
（2）proposal_layer.py
這個函數(shù)是用來將RPN的輸出轉(zhuǎn)變?yōu)閛bject proposals的。作者新增了ProposalLayer類，這個類中玛痊，重新了set_up和forward函數(shù)汰瘫，其中forward實現(xiàn)了：生成錨點box、對于每個錨點提供box的參數(shù)細節(jié)擂煞、將預測框切成圖像混弥、刪除寬、高小于閾值的框对省、將所有的(proposal, score) 對排序蝗拿、獲取 pre_nms_topN proposals、獲取NMS 蒿涎、獲取 after_nms_topN proposals哀托。（注：NMS，nonmaximum suppression劳秋，非極大值抑制）
（3）anchor_target_layer.py
生成每個錨點的訓練目標和標簽仓手，將其分類為1 (object), 0 (not object) ， -1 (ignore).當label>0玻淑，也就是有object時嗽冒，將會進行box的回歸。其中补履，forward函數(shù)功能：在每一個cell中添坊，生成9個錨點，提供這9個錨點的細節(jié)信息干像，過濾掉超過圖像的錨點帅腌，測量同GT的overlap。
（4）proposal_target_layer.py
對于每一個object proposal 生成訓練的目標和標簽麻汰，分類標簽從0-k速客，對于標簽>0的box進行回歸。（注意五鲫，同anchor_target_layer.py不同溺职，兩者一個是生成anchor，一個是生成proposal）
（5）generate.py
使用一個rpn生成object proposals位喂。
lib/nms文件夾
做非極大抑制的部分浪耘，有g(shù)pu和cpu兩種實現(xiàn)方式
（1）py_cpu_nms.py
核心函數(shù)
lib/datasets文件夾
在這里修改讀寫數(shù)據(jù)的接口主要是datasets目錄下
（1）factory.py
（2）imdb.py
（3）pascal_voc.py
（4）voc_eval.py
lib/fast_rcnn文件夾
主要存放的是python的訓練和測試腳本，以及訓練的配置文件config.py
（1）config.py
（2）nms_wrapper.py
（3）test.py
（4）train.py
lib/roi_data_layer文件夾
主要是一些ROI處理操作
（1）layer.py
（2）minibatch.py
（3）roidb.py
lib/utils文件夾
（1）blob.py
（2）timer.py
lib/transform文件夾
6塑崖、models/pascal_voc/VGG16/faster_rcnn_alt_opt文件夾
里面存放了三個模型文件七冲，小型網(wǎng)絡的ZF，大型網(wǎng)絡VGG16规婆，中型網(wǎng)絡VGG_CNN_M_1024澜躺。推薦使用VGG16蝉稳，如果使用端到端的approximate joint training方法，開啟CuDNN掘鄙，只需要3G的顯存即可耘戚。
（1）fast_rcnn_test.pt
（2）rpn_test.pt
（3）stage1_rpn_train.pt
（4）stage1_fast_rcnn_train.pt
（5）stage2_rpn_train.pt
（6）stage2_fast_rcnn_train.pt
7、output
這里存放的是訓練完成后的輸出目錄操漠，默認會在faster_rcnn_end2end文件夾下
