训练py-faster rcnn的两种方式以及自己模型的迁移学习

faster rcnn训练方式有两种，一种是交替优化方法（alternating optimization），即训练两个网络，一个是rpn，一个是fast rcnn，总计两个stage，每个stage各训练一次rpn和fast rcnn。另外一种训练方式为近似联合训练（approximate joint training），也称end to end的训练方式，训练过程中只训练一个权重网络，训练速度有可观的提升，而训练精度不变。

1. alternating optimization

alternating optimization训练过程分如下四个小阶段：

1. stage 1 RPN proposals

2. stage 1 Fast R-CNN using PRN proposals

3. stage 2 Fine tune RPN proposals of stage 1

4. stage 2 Fine tune Fast R-CNN of stage 1

每个阶段求解器的超参数配置文件在:models/数据集/预训练模型/faster_rcnn_alt_opt下，如stage1_faste_rpn_solver60k80k.pt.

可以修改如下参数：

base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 60000
display: 20
average_loss: 100
momentum: 0.9
weight_decay: 0.0005

此外每个阶段的back bone基础网络模型也在这个路径下，如stage1_rpn_train.pt

训练准备工作

1. 在训练新模型时候，为防止与之前的模型搞混,需要再训练前完成以下三件事：

（1） output文件夹删除，

（2）删除py-faster-rcnn/data/cache中的文件

（3）删除py-faster-rcnn/data/VOCdevkit2007/annotations_cache中的文件

2. 至于学习率等之类的设置