- Faster R-CNN源码阅读之零:写在前面
- Faster R-CNN源码阅读之一:Faster R-CNN/lib/networks/network.py
- Faster R-CNN源码阅读之二:Faster R-CNN/lib/networks/factory.py
- Faster R-CNN源码阅读之三:Faster R-CNN/lib/networks/VGGnet_test.py
- Faster R-CNN源码阅读之四:Faster R-CNN/lib/rpn_msr/generate_anchors.py
- Faster R-CNN源码阅读之五:Faster R-CNN/lib/rpn_msr/proposal_layer_tf.py
- Faster R-CNN源码阅读之六:Faster R-CNN/lib/fast_rcnn/bbox_transform.py
- Faster R-CNN源码阅读之七:Faster R-CNN/lib/rpn_msr/anchor_target_layer_tf.py
- Faster R-CNN源码阅读之八:Faster R-CNN/lib/rpn_msr/proposal_target_layer_tf.py
- Faster R-CNN源码阅读之九:Faster R-CNN/tools/train_net.py
- Faster R-CNN源码阅读之十:Faster R-CNN/lib/fast_rcnn/train.py
- Faster R-CNN源码阅读之十一:Faster R-CNN预测demo代码补完
- Faster R-CNN源码阅读之十二:写在最后
一、介绍
本demo由Faster R-CNN官方提供,我只是在官方的代码上增加了注释,一方面方便我自己学习,另一方面贴出来和大家一起交流。
该文件中的函数的训练Faster RCNN网络的主入口,并通过命令行等传入以下必要的配置信息,然后开始训练网络。
二、代码以及注释
#!/usr/bin/env python
# coding=utf-8
# --------------------------------------------------------
# Fast R-CNN
# Copyright (c) 2015 Microsoft
# Licensed under The MIT License [see LICENSE for details]
# Written by Ross Girshick
# --------------------------------------------------------
"""Train a Fast R-CNN network on a region of interest database."""
import _init_paths
from fast_rcnn.train import get_training_roidb, train_net
from fast_rcnn.config import cfg, cfg_from_file, cfg_from_list, get_output_dir
from datasets.factory import get_imdb
from networks.factory import get_network
import argparse
import pprint
import numpy as np
import sys
import pdb
def parse_args():
"""
Parse input arguments
配置传入的参数变量
"""
parser = argparse.ArgumentParser(description='Train a Fast R-CNN network')
# --device代表是使用gpu还是cpu,默认为cpu
parser.add_argument('--device', dest='device', help='device to use',
default='cpu', type=str)
# --device_id代表设备(cpu或者gpu)编号
parser.add_argument('--device_id', dest='device_id', help='device id to use',
default=0, type=int)
# --solver代表模型的配置文件
parser.add_argument('--solver', dest='solver',
help='solver prototxt',
default=None, type=str)
# --iters代表最大的循环迭代次数,默认为70000次
parser.add_argument('--iters', dest='max_iters',
help='number of iterations to train',
default=70000, type=int)
# --weights代表预训练的权重文件路径
parser.add_argument('--weights', dest='pretrained_model',
help='initialize with pretrained model weights',
default=None, type=str)
# --cfg代表可选的配置文件
parser.add_argument('--cfg', dest='cfg_file',
help='optional config file',
default=None, type=str)
# --imdb代表训练的数据集
parser.add_argument('--imdb', dest='imdb_name',
help='dataset to train on',
default='kitti_train', type=str)
# --rand代表是否使用不同的随机数种子生成随机数
parser.add_argument('--rand', dest='randomize',
help='randomize (do not use a fixed seed)',
action='store_true')
# --network代表网络名称,一般具有固定的形式。常以'_train'结尾。
parser.add_argument('--network', dest='network_name',
help='name of the network',
default=None, type=str)
# --set的功能见下
parser.add_argument('--set', dest='set_cfgs',
help='set config keys', default=None,
nargs=argparse.REMAINDER)
if len(sys.argv) == 1:
parser.print_help()
sys.exit(1)
args = parser.parse_args()
return args
if __name__ == '__main__':
args = parse_args()
print('Called with args:')
print(args)
if args.cfg_file is not None:
# Load a config file and merge it into the default options.
# 从config文件中加载配置信息,并添加到默认的选项中
cfg_from_file(args.cfg_file)
if args.set_cfgs is not None:
# Set config keys via list (e.g., from command line).
# 通过list设置配置信息
cfg_from_list(args.set_cfgs)
print('Using config:')
pprint.pprint(cfg)
# 设置numpy的随机数种子
if not args.randomize:
# fix the random seeds (numpy and caffe) for reproducibility
np.random.seed(cfg.RNG_SEED)
# 根据使用的图片数据集名称获取数据集
imdb = get_imdb(args.imdb_name)
print 'Loaded dataset `{:s}` for training'.format(imdb.name)
# 将训练数据变成minibatch的形式
roidb = get_training_roidb(imdb)
# 设置网络权重文件的保存目录
output_dir = get_output_dir(imdb, None)
print 'Output will be saved to `{:s}`'.format(output_dir)
# 设置device name
device_name = '/{}:{:d}'.format(args.device,args.device_id)
print device_name
# 根据network name建立网络结构
network = get_network(args.network_name)
print 'Use network `{:s}` in training'.format(args.network_name)
# 训练网络
train_net(network, imdb, roidb, output_dir,
pretrained_model=args.pretrained_model,
max_iters=args.max_iters)