faster rcnn根目錄下
1、caffe-fast-rcnn文件夾
這是caffe框架目錄
2、data文件夾
用來存放pretrained模型，比如imagenet上的，以及讀取文件的cache緩存
3、experiments文件夾
（1）logs
（2）scripts/faster_rcnn_alt_opt.sh
（3）cfgs/faster_rcnn_alt_opt.yml
存放配置文件以及運(yùn)行的log文件，另外這個(gè)目錄下有scripts可以用end2end或者alt_opt兩種方式訓(xùn)練。
4、tools文件夾
里面存放的是訓(xùn)練和測試的Python文件。
（1）_init_paths.py
用來初始化路徑的，也就是之后的路徑會(huì)join（path，*）
（2）compress_net.py
用來壓縮參數(shù)的，使用了SVD來進(jìn)行壓縮，這里可以發(fā)現(xiàn)，作者對于fc6層和fc7層進(jìn)行了壓縮，也就是兩個(gè)全連接層。
（3）demo.py
通常，我們會(huì)直接調(diào)用這個(gè)函數(shù)，如果要測試自己的模型和數(shù)據(jù)，這里需要修改。這里調(diào)用了fast_rcnn中的test、config、nums_wrapper函數(shù)。vis_detections用來做檢測，parse_args用來進(jìn)行參數(shù)設(shè)置，以及damo和主函數(shù)。
（4）eval_recall.py
評估函數(shù)
（5）reval.py
re-evaluate，這里調(diào)用了fast_rcnn以及dataset中的函數(shù)。其中，from_mats函數(shù)和from_dets函數(shù)分別loadmat文件和pkl文件。
（6）rpn_genetate.py
這個(gè)函數(shù)調(diào)用了rpn中的genetate函數(shù)，之后我們會(huì)對rpn層做具體的介紹。這里，主要是一個(gè)封裝調(diào)用的過程，我們在這里調(diào)用配置的參數(shù)、設(shè)置rpn的test參數(shù)，以及輸入輸出等操作。
（7）test_net.py
測試fast rcnn網(wǎng)絡(luò)。主要就是一些參數(shù)配置。
（8）train_faster_rcnn_alt_opt.py
訓(xùn)練faster rcnn網(wǎng)絡(luò)使用交替的訓(xùn)練，這里就是根據(jù)faster rcnn文章中的具體實(shí)現(xiàn)。可以在主函數(shù)中看到，其包括的步驟為：
RPN 1，使用imagenet model進(jìn)行初始化參數(shù)，生成proposal，這里存儲(chǔ)在mp_kwargs
fast rcnn 1，使用 imagenet model 進(jìn)行初始化參數(shù)，使用剛剛生成的proposal進(jìn)行fast rcnn的訓(xùn)練
RPN 2使用fast rcnn中的參數(shù)進(jìn)行初始化（這里要注意哦），并生成proposal
fast rcnn 2，使用RPN 2 中的 model進(jìn)行初始化參數(shù)，
（9）train_net.py
使用fast rcnn，訓(xùn)練自己數(shù)據(jù)集的網(wǎng)絡(luò)模型。
（10）train_svms.py
使用最原始的RCNN網(wǎng)絡(luò)訓(xùn)練post-hoc SVMs。
5、lib文件夾
用來存放一些python接口文件，如其下的datasets主要負(fù)責(zé)數(shù)據(jù)庫讀取，config負(fù)責(zé)cnn一些訓(xùn)練的配置選項(xiàng)。
lib/rpn
這就是RPN的核心代碼部分，有生成proposals和anchor的方法
（1）generate_anchors.py
生成多尺度和多比例的錨點(diǎn)。這里由generate_anthors函數(shù)主要完成，可以看到，使用了 3 個(gè)尺度( 128, 256, and 512)以及 3 個(gè)比例(1:1,1:2,2:1)。一個(gè)錨點(diǎn)由w, h, x_ctr, y_ctr固定，也就是寬、高、x center和y center固定。
（2）proposal_layer.py
這個(gè)函數(shù)是用來將RPN的輸出轉(zhuǎn)變?yōu)閛bject proposals的。作者新增了ProposalLayer類，這個(gè)類中，重新了set_up和forward函數(shù)，其中forward實(shí)現(xiàn)了：生成錨點(diǎn)box、對于每個(gè)錨點(diǎn)提供box的參數(shù)細(xì)節(jié)、將預(yù)測框切成圖像、刪除寬、高小于閾值的框、將所有的(proposal, score) 對排序、獲取 pre_nms_topN proposals、獲取NMS 、獲取 after_nms_topN proposals。（注：NMS，nonmaximum suppression，非極大值抑制）
（3）anchor_target_layer.py
生成每個(gè)錨點(diǎn)的訓(xùn)練目標(biāo)和標(biāo)簽，將其分類為1 (object), 0 (not object) ， -1 (ignore).當(dāng)label>0，也就是有object時(shí)，將會(huì)進(jìn)行box的回歸。其中，forward函數(shù)功能：在每一個(gè)cell中，生成9個(gè)錨點(diǎn)，提供這9個(gè)錨點(diǎn)的細(xì)節(jié)信息，過濾掉超過圖像的錨點(diǎn)，測量同GT的overlap。
（4）proposal_target_layer.py
對于每一個(gè)object proposal 生成訓(xùn)練的目標(biāo)和標(biāo)簽，分類標(biāo)簽從0-k，對于標(biāo)簽>0的box進(jìn)行回歸。（注意，同anchor_target_layer.py不同，兩者一個(gè)是生成anchor，一個(gè)是生成proposal）
（5）generate.py
使用一個(gè)rpn生成object proposals。
lib/nms文件夾
做非極大抑制的部分，有g(shù)pu和cpu兩種實(shí)現(xiàn)方式
（1）py_cpu_nms.py
核心函數(shù)
lib/datasets文件夾
在這里修改讀寫數(shù)據(jù)的接口主要是datasets目錄下
（1）factory.py
（2）imdb.py
（3）pascal_voc.py
（4）voc_eval.py
lib/fast_rcnn文件夾
主要存放的是python的訓(xùn)練和測試腳本，以及訓(xùn)練的配置文件config.py
（1）config.py
（2）nms_wrapper.py
（3）test.py
（4）train.py
lib/roi_data_layer文件夾
主要是一些ROI處理操作
（1）layer.py
（2）minibatch.py
（3）roidb.py
lib/utils文件夾
（1）blob.py
（2）timer.py
lib/transform文件夾
6、models/pascal_voc/VGG16/faster_rcnn_alt_opt文件夾
里面存放了三個(gè)模型文件，小型網(wǎng)絡(luò)的ZF，大型網(wǎng)絡(luò)VGG16，中型網(wǎng)絡(luò)VGG_CNN_M_1024。推薦使用VGG16，如果使用端到端的approximate joint training方法，開啟CuDNN，只需要3G的顯存即可。
（1）fast_rcnn_test.pt
（2）rpn_test.pt
（3）stage1_rpn_train.pt
（4）stage1_fast_rcnn_train.pt
（5）stage2_rpn_train.pt
（6）stage2_fast_rcnn_train.pt
7、output
這里存放的是訓(xùn)練完成后的輸出目錄，默認(rèn)會(huì)在faster_rcnn_end2end文件夾下
