目标检测入门系列手册二：RCNN训练教程

目标检测需要获取图片中所有目标的位置及其类别，对于图2-1 中的 3 张图而言，当图片中只有一个目标时，“regression head”预测 4 个值，当图片中有 3 个目标时，“regression head”预测 12 个值，那么当图片中有多个目标时，“regression head”要预测多少个值呢？

这时根据读者已经学过的一些知识，可能会尝试用滑窗的方法来解决，如图2-2所示。但是，这里有一个问题，我们需要设计大量的不同尺度和长宽比的“滑窗”使它们通过CNN，然而这个计算量是非常巨大的。有没有什么方法能使得我们快速定位到目标的潜在区域，从而减少大量不必要的计算呢？


学者们在这个方向做了很多研究，比较有名的是selective search 方法，具体方法这里不做详细说明，感兴趣的读者可以看关于selective search 的论文。大家只要知道这是一种从图片中选出潜在物体候选框（Regions of Interest，ROI）的方法即可。有了获取ROI 的方法，接下来就可以通过分类和合并的方法来获取最终的目标检测结果。基于这个思路有了下面的R-CNN 方法。

R-CNN

下面介绍R-CNN[1] 的训练过程，整体训练流程如图2-3 所示：
图2-3　R-CNN 训练过程下面是所有检测问题都会用到的一块代码：IOU 的计算。

def bboxIOU (bboxA, bboxB):

A_xmin = bboxA[0]
A_ymin = bboxA[1]
A_xma