frcnn学习笔记_frcnn gitub-优快云博客

从git下载源码https://github.com/fizyr/keras-retinanet，在跑程序/home/liuliu/PycharmProjects/keras-retinanet-master/examples/ResNet50RetinaNet.ipynb的时候，出现问题：“No module named keras_resnet”，解决方法是，从git上面下载keras_resnet，地址如下：https://github.com/broadinstitute/keras-resnet，然后将文件夹 keras-resnet 放在文件夹keras-retinanet-master（/home/liuliu/PycharmProjects/keras-retinanet-master）下，再跑就不出问题啦。

提示：在git上下载的代码，跑的时候如果出现问题，就在该git网址下的issue里搜你问题的关键字，一般都有解答！！

https://zhuanlan.zhihu.com/p/31530023

tx：cx是物体中心点的x坐标，cxa锚点的中心点的x轴坐标，（x2_anc - x1_anc）锚点衍生出的框的宽度；

tw：gta[bbox_num,1]-gta[bbox_num,0] 类物体的宽度，(x2_anc - x1_anc)衍生框的宽度

all_imgs = [] ##图片信息

    classes_count = {} ##类别统计

    class_mapping = {} ##类别映射（该类别对应几）

    visualise = False ##是否要显示
    # not using vOC2007, 2012 only
    # data_paths = [os.path.join(input_path, s) for s in ['VOC2007', 'VOC2012']]
    data_paths = [os.path.join(input_path, s) for s in ['VOC2012']]

    print('Parsing annotation files')

设置一些变量存储信息【注：data_paths = [os.path.join(input_path, s) for s in ['VOC2012']]是遍历列表中给的VOC训练集】

for data_path in data_paths:

        annot_path = os.path.join(data_path, 'Annotations') #图片的信息基本都在Annotations文件夹的xml文件中
        imgs_path = os.path.join(data_path, 'JPEGImages')
        imgsets_path_trainval = os.path.join(data_path, 'ImageSets', 'Main', 'trainval.txt')
        imgsets_path_test = os.path.join(data_path, 'ImageSets', 'Main', 'test.txt')

        trainval_files = []
        test_files = []

～～～～～～～～～～～～～～～～～

在训练过程中，rpn网络考虑以下三组数据：预测框(predicted box)坐标[x,y,w,h]，anchor坐标[xa,ya,wa,ha]，ground truth坐标[x∗,y∗,w∗,h∗]；分别计算预测框相对anchor中心位置的偏移量以及宽高的缩放量{t}，ground truth相对anchor的偏移量和缩放量{t∗}；rpn回归目标就是让{t}尽可能地接近{t∗}。

rpn训练得到的是训练样本中ground truth坐标[x∗,y∗,w∗,h∗]和预测框(predicted box)坐标[x,y,w,h]的映射关系F_rpn；

问题是：测试的时候，测试样本中的ground truth坐标是未知的，上述的映射关系F_rpn是针对训练样本的，感觉没法直接用到测试样本中啊？那么是怎么通过rpn网络得到测试样本的预测框（box）坐标？

就是说，实际世界中，物体位置是完全随机的，rpn网络通过训练可以用于准确预测这种随机位置，感觉不合理啊？

训练过程学习的是是四个变化量，中心的偏移量和缩放量，测试的时候直接根据这四个变化量做前向即可，至于你的困惑应该是这些个偏移量每幅图可能不太一样，我的理解是虽然有那么多anchor，但是真正包含目标的anchor是少数的，再者，我觉得大量训练的过程中，一个是平均的思想，一个是本身从anchor到最后的目标框，是由特征支配的吧，也就是那种位置变化里是与特征有关系的

调整python默认递归深度

python默认的递归深度是很有限的，大概是900多的样子，当递归深度超过这个值的时候，就会引发这样的一个异常。
解决的方式是手工设置递归调用深度，方式为
 
import sys   
sys.setrecursionlimit(1000000) #例如这里设置为一百万