跑yolov3_目标检测——Faster RCNN简介与代码注释（附github代码——已跑通）

GitHub（代码中有详尽注释）：

liuyuemaicha/simple_faster_rcnn​github.com

注：

1. github代码依赖python 2.7 和pytorch，pytorch支持0.4.1和0.3.1

2.Faster RCNN理解，主要参考：

白裳：一文读懂Faster RCNN​zhuanlan.zhihu.com

3. 本文是认为读者对Faster RCNN有初步的认识。如果是初学者，建议先阅读上面的文章，再结合本代码，会有更好的理解。

在objects detection算法中，大概可以分为两大方向

一、Two-Stage，这是一种Proposal-based的方法，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。

1. R-CNN
2. Fast R-CNN
3. Faster R-CNN
4. Mask R-CNN

二、One-Stage，这是一种Proposal-free的方法，不需要先计算Proposal，直接使用一个CNN网络预测不同目标的类别与位置

1. YOLO系列
2. SSD
3. RetinaNet

关于One-Stage的YOLOV3的简介和代码注释，可以查阅：

KevinCK：目标检测——YOLO V3简介及代码注释（附github代码——已跑通）​zhuanlan.zhihu.com

Two Stage的框架如下：

转自：https://blog.csdn.net/WYH19951220/article/details/88943472

Faster RCNN基于Two Stage框架的详细设计：

转自：https://zhuanlan.zhihu.com/p/31426458

下图是本文根据代码流程设计的结构图：

GitHub代码中对应的处理步骤

Faster RCNN使用了VGG16模型提取特征，提取得到的特征用到了RPN处理和ROI Pooling处理。 图像经过VGG16模型提取特征后：

• step_1: 初始化anchors，计算有效anchors（valid_anchors）,并获取目标anchors的置信度（anchor_conf）和平移缩放系数（anchor_locs）
• step_2: RPN计算：特征图feature map通过RPN预测anchor参数：置信度(foreground)和转为预测框的坐标系数
• step_3: 计算