老卫带你学---faster-rcnn的两种训练方式

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，可在py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt中的solve文件设置，

  迭代次数可在py-faster-rcnn\tools的train_faster_rcnn_alt_opt.py中修改：

  max_iters = [80000, 40000, 80000, 40000]  

  分别为4个阶段（rpn第1阶段，fast rcnn第1阶段，rpn第2阶段，fast rcnn第2阶段）的迭代次数。可改成你希望的迭代次数。

  如果改了这些数值，最好把py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt里对应的solver文件（有4个）也  修改，stepsize小于上面修改的数值。

3. 在训练自建数据集时，需要修改class name，class num参数，参考这里。

4. 数据集准备

解压下载好的voc2007数据集

VOCtrainval_06-Nov-2007.tar          VOCtest_06-Nov-2007.tar              VOCdevkit_08-Jun-2007.tar

解压后的文件结构如下

$VOCdevkit/   # 开发工具包
$VOCdevkit/VOCcode/   # VOC实用代码
$VOCdevkit/VOC2007# 图片集, 注释, 等等
# 一些其他的目录

将VOCdevkit改名为VOCdevkit2007，然后放到data文件夹下

5.下载预训练模型

cd $FRCN_ROOT
./data/scripts/fetch_imagenet_models.sh

其中$FRCN_ROOT是faster rcnn根目录，预训练模型中VGG16来自Caffe Mode Zoo，ZF是由MSRA训练的结构。

6.训练数据
使用交替优化（alternating optimization）算法来训练和测试Faster R-CNN

cd $FRCN_ROOT
./experiments/scripts/faster_rcnn_alt_opt.sh [GPU_ID] [NET] [--set ...]

#GPU_ID是你想要训练的GPUID
# 你可以选择如下的网络之一进行训练：ZF, VGG_CNN_M_1024, VGG16
# --set … 运行你自定义fast_rcnn.config参数,例如.
# --set EXP_DIR seed_rng1701 RNG_SEED 1701
#例如命令
./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc

train results based on ZF :

2.  approximate joint training

approximate joint training 训练方式的参数配置与alternating optimization方式不同。需要修改如下三个文件（以vgg16训练70000次为例）：

1. 修改py-faster-rcnn/lib/datasets/pascal_voc.py  文件中的第30行，  self._classes，改成自己的标签。

2. 修改 py-faster-rcnn/models/pascal_voc/VGG16/faster_rcnn_end2end下两个文件：

train.prototxt 和 test.prototxt。

其中test.prototxt修改：

（1）第567行：num_output：自己数据集标签数+1，

（2）第592行：num_output：（自己数据集标签数+1）*4，

train.prototxt修改要多一些：

（1）第11,  530,  620行 :  num_output：自己数据集标签数+1，

 （2）第643行：num_output：（自己数据集标签数+1）*4，

训练时输入下列命令：

 
 

   
   

    
    

   
   
   
   

    
    

     
     cd 
     
     $FRCN_ROOT
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     ./experiments/scripts/faster_rcnn_end2end.sh [GPU_ID] [NET] [–
     
     set …]
    
    
   
   
 
 

或

./tools/train_net.py –gpu 0 --solver models/pascal_voc/VGG16/faster_rcnn_end2end/solver.prototxt --weights data/imagenet_models/VGG16.v2.caffemodel --imdb voc_2007_trainval --iters 70000 --cfg experiments/cfgs/faster_rcnn_end2end.yml
 
 

./tools/test_net.py --gpu 0 –def models/pascal_voc/VGG16/faster_rcnn_end2end/test.prototxt --net /home/u2/py-faster-rcnn/output/faster_rcnn_end2end/voc_2007_trainval/vgg16_faster_rcnn_iter_70000.caffemodel --imdb voc_2007_test --cfg experiments/cfgs/faster_rcnn_end2end.yml
 
 

读者在参考以上两条命令时，根据自己项目需求注意修改模型类型和训练次数等参数

demo：

1.把 output文件夹下输出的 model 拷贝到py-faster-rcnn/data/faster_rcnn_models 下

2.修改 demo.py 里的第28行的CLASS，下面的NETS。分别改为自己的标签和 步骤1. 中拷贝的训练好模型的名字。

3. 终端输入：

./tools/demo.py

3. transfer learning fron self-train model：对自己模型的迁移学习

有时候我们训练好一个模型A后，想要用类似的数据对模型A fine-tuning，换句话说就是把模型A当做预训练模型再次进行微调训练，这对于数据集风格类似，但数据数量不足的情况比较合适（vgg16，end2end为例）。

1. 首先把模型A 拷贝到py-faster-rcnn/data/imagenet_models下，记名字为a.caffemodel

2. 修改 py-faster-rcnn/models/pascal_voc/VGG16/faster_rcnn_end2end下两个文件：

train.prototxt 和 test.prototxt。

修改bbox_pred层为bbox_pred1

     cls_score 层为cls_score1

3. 终端输入：注意预训练模型名字已经修改成a.caffemodel

./tools/train_net.py –gpu 0 --solver models/pascal_voc/VGG16/faster_rcnn_end2end/solver.prototxt --weights data/imagenet_models/a.caffemodel --imdb voc_2007_trainval --iters 10000 --cfg experiments/cfgs/faster_rcnn_end2end.yml
 
 

4. 修改py-faster-rcnn/lib/fast_rcnn下的test.py，将173行的bbox_pred改为bbox_pred1.

5. 终端输入

./tools/test_net.py --gpu 0 –def models/pascal_voc/VGG16/faster_rcnn_end2end/test.prototxt --net /home/u2/py-faster-rcnn/output/faster_rcnn_end2end/voc_2007_trainval/vgg16_faster_rcnn_iter_10000.caffemodel --imdb voc_2007_test --cfg experiments/cfgs/faster_rcnn_end2end.yml
 
 

待续