使用colab训练faster-rcnn
用colab配置环境训练faster-rcnn
一、前言
最近在实验室旧服务器上配置训练faster-rcnn的环境，因为没有sudo权限无法升级cuda版本(8.0)，导致怎么编译都不成功，因此钻进了牛角尖去找各种不升cuda版本也能成功编译的解决办法，但这早就注定了是一场徒劳，期间发现别能编译成功的cuda版本至少是9.0，花了两天时间毫无进展，后来想到了免费的colab，决定尝试一下，没想到一下子就能编译成功了，现在记录下配置过程供以后参考。我也是第一次使用colab，如有不对的地方欢迎大家多多拍砖多多指教。
这里配置的是python3.6+pytorch1.0
官方教程
新手指引：https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
常见问题：https://research.google.com/colaboratory/faq.html
官方给出的新手指引当中已经给出了前期配置、常见软件和库的安装等方法。大家凭借官方教程可以基本入门Colab，但如果想更加自如地在Colab上跑通自己的代码，可能还需要更多的学习。
二、前期准备
为了能顺利跑起来，请使用科学上网。
依赖平台: Google Drive
Colab需要从Google Drive（谷歌云盘）进入。为了方便整理，我先在Google Drive中创建了一个新文件夹*“Colab”*。
然后，我们在*“Colab”*文件夹中新建一个Colab项目，如图所示：
注意：首次创建Colab项目需要点击“关联更多应用”，添加“Colaboratory”应用。
创建完项目之后我们就可以进入Colab的主界面了。是不是发现和jupyter notebook很像？
现在，我们就可以在代码框中输入一些代码。这里注意，如果我们直接输入代码，系统会当作是Python代码执行。例如我们输入：
a=10086
print(a)
运行之后输出框中会打印出‘10086’
如果要执行系统命令，需要在命令前加感叹号 !,例如我们输入!pwd查看当前路径
!pwd
执行后输出框会显示当前目录的路径。这跟linux命令行操作完全一样了！
其实我们在Colab中连接的云端的那台虚拟机正是使用的Ubuntu操作系统，我们可以将自己在Colab中的一切操作看作是在用命令行控制云端的那台Ubuntu虚拟机。你可以用它来直接跑代码，也可以使用一些系统命令。
三、配置faster-rcnn训练环境
1.修改笔记本环境
我们每次新建一个Colab项目后，最好先对笔记本环境进行配置，即选择python的版本和是否使用GPU
这里选择python3，GPU，修改完后点击保存。
2.安装必要的包和软件
输入以下代码，按Ctrl+Enter执行
!apt-get install -y -qq software-properties-common python-software-properties module-init-tools
!add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
!apt-get update -qq 2>&1 > /dev/null
!apt-get -y install -qq google-drive-ocamlfuse fuse
from google.colab import auth
auth.authenticate_user()
from oauth2client.client import GoogleCredentials
creds = GoogleCredentials.get_application_default()
import getpass
!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
vcode = getpass.getpass()
!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}
运行后，会出现以下提示
先点击相应的链接，选择自己的谷歌账号登陆（如果不科学上网可能登陆不了）并允许，最后会得到验证码，复制验证码粘贴到上面的框中回车键即可。
3.挂载云盘端
其实完成前面的操作我们就可以在Colab中敲写代码或者输入一些系统命令了，但是我们现在连接的虚拟机是和Google Drive脱离的，也就是说我们跑的程序无法使用谷歌云盘里的文件，这就非常受限制了。所以我们一般需要将谷歌云盘看作是虚拟机中的一个硬盘挂载，这样我们就可以使用虚拟机轻松访问谷歌云盘。
挂载Google Drive代码：
方法一.
# 指定Google Drive云端硬盘的根目录，名为drive
!mkdir -p drive
!google-drive-ocamlfuse drive
上面的方法实际是在虚拟机上安装谷歌云盘！如果不行可以尝试方法二
方法二.
# Load the Drive helper and mount
from google.colab import drive
# This will prompt for authorization.
drive.mount('/content/drive')
输入授权码即可。挂载完成后在虚拟机中会多出一个文件夹"drive"，用!ls命令查看。
4.配置深度学习平台
其实在colab里面已经默认安装有最新版的pytorch了，如果不放心可以自己手动安装一下，安装方式为：
!pip3 install https://download.pytorch.org/whl/cu80/torch-1.0.1.post2-cp36-cp36m-linux_x86_64.whl
!pip3 install torchvision
除了pytorch外，colab还自带了tensorflow最新版和其他大量的第三方库，如果没有版本要求基本上不用自己手动去安装。下面直接进入主题，用colab训练faster-rcnn。
四、用colab训练faster-rcnn
项目地址：https://github.com/jwyang/faster-rcnn.pytorch/tree/pytorch-1.0
注意：进入项目之后会发现有4个branchs，选择pytorch-1.0这个branch，选错branch会导致编译错误。
然后git clone这个仓库到你的colab中，为了保险起见，clone的时候加上分支控制-b pytorch-1.0即：
!git clone -b pytorch-1.0 https://github.com/jwyang/faster-rcnn.pytorch.git
这里有一点要注意，不能直接使用cd改变路径，需要使用python的方法，如下
import os
os.chdir('faster-rcnn.pytorch')
!ls
创建新文件夹data并下载预训练模型
!mkdir data
os.chdir('data')
!mkdir pretrained_model
os.chdir('pretrained_model')
# 下载预训练模型res101
!wget https://filebox.ece.vt.edu/~jw2yang/faster-rcnn/pretrained-base-models/resnet101_caffe.pth
# 下载预训练模型vgg16
!wget https://filebox.ece.vt.edu/~jw2yang/faster-rcnn/pretrained-base-models/vgg16_caffe.pth
预训练模型下载好以后，返回上一级路径data，然后下载训练集voc2007
os.chdir('../') #返回上一级目录即data/下
# 下载数据集
!wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
!wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
!wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
# 解压缩
!tar xvf VOCtrainval_06-Nov-2007.tar
!tar xvf VOCtest_06-Nov-2007.tar
!tar xvf VOCdevkit_08-Jun-2007.tar
# 建立软连接
!ln -s $VOCdevkit VOCdevkit2007 #注意！如果上面解压缩得到的文件夹名字为"VOCdevdit"，要将其改为“VOCdevdit2007"，否则后面会报错。
回到上一级路径，然后进入lib中进行编译（在这一步经常会出错，博主本人在这里遇到各种错误并解决了，如果你也遇到错误了欢迎与我交流）
os.chdir('../lib')
!python setup.py build develop
输出如下则表示编译成功
编译成功后，就可以开始训练了。
训练参数可以参考下表配置
我这里的训练参数使用了表格的倒数三行的参数。
训练代码（参考）：
!CUDA_VISIBLE_DEVICES=0 python trainval_net.py \
--dataset pascal_voc \
--net res101 \
--bs 4 \
--nw 0 \
--lr 0.004 \
--lr_decay_step 8 \
--epochs 10 \
--cuda
然后就会进入训练阶段，输出框会输出如下内容(我这里是训练到epoch2才截的图)：
Called with args:
Namespace(batch_size=4, checkepoch=1, checkpoint=0, checkpoint_interval=10000, checksession=1, class_agnostic=False, cuda=True, dataset='pascal_voc', disp_interval=100, large_scale=False, lr=0.004, lr_decay_gamma=0.1, lr_decay_step=8, mGPUs=False, max_epochs=10, net='res101', num_workers=0, optimizer='sgd', resume=False, save_dir='models', session=1, start_epoch=1, use_tfboard=False)
Using config:
{'ANCHOR_RATIOS': [0.5, 1, 2],
'ANCHOR_SCALES': [8, 16, 32],
'CROP_RESIZE_WITH_MAX_POOL': False,
'CUDA': False,
'DATA_DIR': '/content/faster-rcnn_colab/faster-rcnn.pytorch/data',
'DEDUP_BOXES': 0.0625,
'EPS': 1e-14,
'EXP_DIR': 'res101',
'FEAT_STRIDE': [16],
'GPU_ID': 0,
'MATLAB': 'matlab',
'MAX_NUM_GT_BOXES': 20,
'MOBILENET': {'DEPTH_MULTIPLIER': 1.0,
'FIXED_LAYERS': 5,
'REGU_DEPTH': False,
'WEIGHT_DECAY': 4e-05},
'PIXEL_MEANS': array([[[102.9801, 115.9465, 122.7717]]]),
'POOLING_MODE': 'align',
'POOLING_SIZE': 7,
'RESNET': {'FIXED_BLOCKS': 1, 'MAX_POOL': False},
'RNG_SEED': 3,
'ROOT_DIR': '/content/faster-rcnn_colab/faster-rcnn.pytorch',
'TEST': {'BBOX_REG': True,
'HAS_RPN': True,
'MAX_SIZE': 1000,
'MODE': 'nms',
'NMS': 0.3,
'PROPOSAL_METHOD': 'gt',
'RPN_MIN_SIZE': 16,
'RPN_NMS_THRESH': 0.7,
'RPN_POST_NMS_TOP_N': 300,
'RPN_PRE_NMS_TOP_N': 6000,
'RPN_TOP_N': 5000,
'SCALES': [600],
'SVM': False},
'TRAIN': {'ASPECT_GROUPING': False,
'BATCH_SIZE': 128,
'BBOX_INSIDE_WEIGHTS': [1.0, 1.0, 1.0, 1.0],
'BBOX_NORMALIZE_MEANS': [0.0, 0.0, 0.0, 0.0],
'BBOX_NORMALIZE_STDS': [0.1, 0.1, 0.2, 0.2],
'BBOX_NORMALIZE_TARGETS': True,
'BBOX_NORMALIZE_TARGETS_PRECOMPUTED': True,
'BBOX_REG': True,
'BBOX_THRESH': 0.5,
'BG_THRESH_HI': 0.5,
'BG_THRESH_LO': 0.0,
'BIAS_DECAY': False,
'BN_TRAIN': False,
'DISPLAY': 20,
'DOUBLE_BIAS': False,
'FG_FRACTION': 0.25,
'FG_THRESH': 0.5,
'GAMMA': 0.1,
'HAS_RPN': True,
'IMS_PER_BATCH': 1,
'LEARNING_RATE': 0.001,
'MAX_SIZE': 1000,
'MOMENTUM': 0.9,
'PROPOSAL_METHOD': 'gt',
'RPN_BATCHSIZE': 256,
'RPN_BBOX_INSIDE_WEIGHTS': [1.0, 1.0, 1.0, 1.0],
'RPN_CLOBBER_POSITIVES': False,
'RPN_FG_FRACTION': 0.5,
'RPN_MIN_SIZE': 8,
'RPN_NEGATIVE_OVERLAP': 0.3,
'RPN_NMS_THRESH': 0.7,
'RPN_POSITIVE_OVERLAP': 0.7,
'RPN_POSITIVE_WEIGHT': -1.0,
'RPN_POST_NMS_TOP_N': 2000,
'RPN_PRE_NMS_TOP_N': 12000,
'SCALES': [600],
'SNAPSHOT_ITERS': 5000,
'SNAPSHOT_KEPT': 3,
'SNAPSHOT_PREFIX': 'res101_faster_rcnn',
'STEPSIZE': [30000],
'SUMMARY_INTERVAL': 180,
'TRIM_HEIGHT': 600,
'TRIM_WIDTH': 600,
'TRUNCATED': False,
'USE_ALL_GT': True,
'USE_FLIPPED': True,
'USE_GT': False,
'WEIGHT_DECAY': 0.0001},
'USE_GPU_NMS': True}
Loaded dataset `voc_2007_trainval` for training
Set proposal method: gt
Appending horizontally-flipped training examples...
voc_2007_trainval gt roidb loaded from /content/faster-rcnn_colab/faster-rcnn.pytorch/data/cache/voc_2007_trainval_gt_roidb.pkl
done
Preparing training data...
done
before filtering, there are 10022 images...
after filtering, there are 10022 images...
10022 roidb entries
Loading pretrained weights from data/pretrained_model/resnet101_caffe.pth
[session 1][epoch 1][iter 0/2505] loss: 4.4726, lr: 4.00e-03
fg/bg=(95/417), time cost: 2.034769
rpn_cls: 0.7698, rpn_box: 0.0947, rcnn_cls: 3.1212, rcnn_box 0.4869
[session 1][epoch 1][iter 100/2505] loss: 1.6058, lr: 4.00e-03
fg/bg=(92/420), time cost: 282.182974
rpn_cls: 0.2926, rpn_box: 0.1055, rcnn_cls: 0.5404, rcnn_box 0.3736
[session 1][epoch 1][iter 200/2505] loss: 1.3175, lr: 4.00e-03
fg/bg=(83/429), time cost: 280.251949
rpn_cls: 0.0973, rpn_box: 0.0432, rcnn_cls: 0.5531, rcnn_box 0.4124
[session 1][epoch 1][iter 300/2505] loss: 1.2110, lr: 4.00e-03
fg/bg=(70/442), time cost: 279.217330
rpn_cls: 0.1986, rpn_box: 0.0919, rcnn_cls: 0.2961, rcnn_box 0.3653
[session 1][epoch 1][iter 400/2505] loss: 1.1675, lr: 4.00e-03
fg/bg=(111/401), time cost: 277.523335
rpn_cls: 0.1142, rpn_box: 0.0291, rcnn_cls: 0.5117, rcnn_box 0.4730
[session 1][epoch 1][iter 500/2505] loss: 1.1075, lr: 4.00e-03
fg/bg=(70/442), time cost: 281.644064
rpn_cls: 0.0929, rpn_box: 0.1257, rcnn_cls: 0.2761, rcnn_box 0.3332
[session 1][epoch 1][iter 600/2505] loss: 1.1065, lr: 4.00e-03
fg/bg=(59/453), time cost: 281.272812
rpn_cls: 0.1279, rpn_box: 0.0456, rcnn_cls: 0.3245, rcnn_box 0.2569
[session 1][epoch 1][iter 700/2505] loss: 1.0399, lr: 4.00e-03
fg/bg=(99/413), time cost: 280.469540
rpn_cls: 0.2323, rpn_box: 0.0932, rcnn_cls: 0.5178, rcnn_box 0.3769
[session 1][epoch 1][iter 800/2505] loss: 1.0888, lr: 4.00e-03
fg/bg=(101/411), time cost: 279.788152
rpn_cls: 0.2390, rpn_box: 0.0681, rcnn_cls: 0.3894, rcnn_box 0.4226
[session 1][epoch 1][iter 900/2505] loss: 1.0514, lr: 4.00e-03
fg/bg=(128/384), time cost: 279.094743
rpn_cls: 0.1421, rpn_box: 0.0878, rcnn_cls: 0.3806, rcnn_box 0.4146
[session 1][epoch 1][iter 1000/2505] loss: 1.0105, lr: 4.00e-03
fg/bg=(90/422), time cost: 277.871021
rpn_cls: 0.1386, rpn_box: 0.0218, rcnn_cls: 0.4366, rcnn_box 0.3665
[session 1][epoch 1][iter 1100/2505] loss: 0.9438, lr: 4.00e-03
fg/bg=(123/389), time cost: 279.990570
rpn_cls: 0.2340, rpn_box: 0.1765, rcnn_cls: 0.5839, rcnn_box 0.5354
[session 1][epoch 1][iter 1200/2505] loss: 0.9365, lr: 4.00e-03
fg/bg=(115/397), time cost: 283.719271
rpn_cls: 0.1158, rpn_box: 0.0448, rcnn_cls: 0.2936, rcnn_box 0.3726
[session 1][epoch 1][iter 1300/2505] loss: 0.9621, lr: 4.00e-03
fg/bg=(128/384), time cost: 281.506948
rpn_cls: 0.2068, rpn_box: 0.0387, rcnn_cls: 0.7982, rcnn_box 0.4249
[session 1][epoch 1][iter 1400/2505] loss: 0.9196, lr: 4.00e-03
fg/bg=(128/384), time cost: 278.097586
rpn_cls: 0.1497, rpn_box: 0.0330, rcnn_cls: 0.3320, rcnn_box 0.3756
[session 1][epoch 1][iter 1500/2505] loss: 0.9093, lr: 4.00e-03
fg/bg=(101/411), time cost: 275.748964
rpn_cls: 0.1374, rpn_box: 0.0361, rcnn_cls: 0.2822, rcnn_box 0.2870
[session 1][epoch 1][iter 1600/2505] loss: 0.8810, lr: 4.00e-03
fg/bg=(119/393), time cost: 276.830616
rpn_cls: 0.1287, rpn_box: 0.0936, rcnn_cls: 0.4380, rcnn_box 0.3273
[session 1][epoch 1][iter 1700/2505] loss: 0.8307, lr: 4.00e-03
fg/bg=(113/399), time cost: 280.342751
rpn_cls: 0.1655, rpn_box: 0.0910, rcnn_cls: 0.2600, rcnn_box 0.3362
[session 1][epoch 1][iter 1800/2505] loss: 0.8967, lr: 4.00e-03
fg/bg=(87/425), time cost: 281.167849
rpn_cls: 0.1380, rpn_box: 0.1308, rcnn_cls: 0.3550, rcnn_box 0.2271
[session 1][epoch 1][iter 1900/2505] loss: 0.9052, lr: 4.00e-03
fg/bg=(104/408), time cost: 280.726496
rpn_cls: 0.1270, rpn_box: 0.1022, rcnn_cls: 0.3841, rcnn_box 0.3624
[session 1][epoch 1][iter 2000/2505] loss: 0.7873, lr: 4.00e-03
fg/bg=(89/423), time cost: 277.209683
rpn_cls: 0.1268, rpn_box: 0.0387, rcnn_cls: 0.2488, rcnn_box 0.3074
[session 1][epoch 1][iter 2100/2505] loss: 0.8663, lr: 4.00e-03
fg/bg=(97/415), time cost: 280.117668
rpn_cls: 0.1354, rpn_box: 0.0371, rcnn_cls: 0.4960, rcnn_box 0.3263
[session 1][epoch 1][iter 2200/2505] loss: 0.8516, lr: 4.00e-03
fg/bg=(109/403), time cost: 280.427549
rpn_cls: 0.1978, rpn_box: 0.0547, rcnn_cls: 0.3458, rcnn_box 0.3401
[session 1][epoch 1][iter 2300/2505] loss: 0.7974, lr: 4.00e-03
fg/bg=(116/396), time cost: 277.409676
rpn_cls: 0.1059, rpn_box: 0.0384, rcnn_cls: 0.2876, rcnn_box 0.3050
[session 1][epoch 1][iter 2400/2505] loss: 0.8045, lr: 4.00e-03
fg/bg=(105/407), time cost: 279.156028
rpn_cls: 0.1094, rpn_box: 0.0768, rcnn_cls: 0.2358, rcnn_box 0.2183
[session 1][epoch 1][iter 2500/2505] loss: 0.7850, lr: 4.00e-03
fg/bg=(120/392), time cost: 277.117274
rpn_cls: 0.1742, rpn_box: 0.0531, rcnn_cls: 0.3195, rcnn_box 0.3734
save model: models/res101/pascal_voc/faster_rcnn_1_1_2504.pth
[session 1][epoch 2][iter 0/2505] loss: 0.7364, lr: 4.00e-03
fg/bg=(108/404), time cost: 1.689750
rpn_cls: 0.1285, rpn_box: 0.0372, rcnn_cls: 0.2504, rcnn_box 0.3203
[session 1][epoch 2][iter 100/2505] loss: 0.7371, lr: 4.00e-03
fg/bg=(92/420), time cost: 274.646219
rpn_cls: 0.1005, rpn_box: 0.0450, rcnn_cls: 0.3673, rcnn_box 0.2630
[session 1][epoch 2][iter 200/2505] loss: 0.7200, lr: 4.00e-03
fg/bg=(112/400), time cost: 276.095904
rpn_cls: 0.1248, rpn_box: 0.0647, rcnn_cls: 0.1967, rcnn_box 0.3372
[session 1][epoch 2][iter 300/2505] loss: 0.7149, lr: 4.00e-03
fg/bg=(102/410), time cost: 278.109113
rpn_cls: 0.1085, rpn_box: 0.0473, rcnn_cls: 0.1914, rcnn_box 0.2414
[session 1][epoch 2][iter 400/2505] loss: 0.6890, lr: 4.00e-03
fg/bg=(128/384), time cost: 273.537342
rpn_cls: 0.0903, rpn_box: 0.0408, rcnn_cls: 0.3973, rcnn_box 0.4046
[session 1][epoch 2][iter 500/2505] loss: 0.6933, lr: 4.00e-03
fg/bg=(126/386), time cost: 279.137722
rpn_cls: 0.2608, rpn_box: 0.1434, rcnn_cls: 0.3289, rcnn_box 0.2678
[session 1][epoch 2][iter 600/2505] loss: 0.7324, lr: 4.00e-03
fg/bg=(111/401), time cost: 276.018796
rpn_cls: 0.1929, rpn_box: 0.0788, rcnn_cls: 0.2978, rcnn_box 0.3067
[session 1][epoch 2][iter 700/2505] loss: 0.6892, lr: 4.00e-03
fg/bg=(87/425), time cost: 278.667384
rpn_cls: 0.0499, rpn_box: 0.0211, rcnn_cls: 0.1220, rcnn_box 0.2021
[session 1][epoch 2][iter 800/2505] loss: 0.7280, lr: 4.00e-03
fg/bg=(102/410), time cost: 278.389553
rpn_cls: 0.0571, rpn_box: 0.0559, rcnn_cls: 0.2081, rcnn_box 0.1411
[session 1][epoch 2][iter 900/2505] loss: 0.6905, lr: 4.00e-03
fg/bg=(114/398), time cost: 276.314513
rpn_cls: 0.1066, rpn_box: 0.0391, rcnn_cls: 0.2746, rcnn_box 0.3154
[session 1][epoch 2][iter 1000/2505] loss: 0.6533, lr: 4.00e-03
fg/bg=(82/430), time cost: 275.988713
rpn_cls: 0.0883, rpn_box: 0.0371, rcnn_cls: 0.4136, rcnn_box 0.2456
[session 1][epoch 2][iter 1100/2505] loss: 0.6876, lr: 4.00e-03
fg/bg=(128/384), time cost: 276.282769
rpn_cls: 0.1137, rpn_box: 0.0518, rcnn_cls: 0.2628, rcnn_box 0.4541
[session 1][epoch 2][iter 1200/2505] loss: 0.6285, lr: 4.00e-03
fg/bg=(99/413), time cost: 276.043559
rpn_cls: 0.0643, rpn_box: 0.0375, rcnn_cls: 0.3397, rcnn_box 0.3405
[session 1][epoch 2][iter 1300/2505] loss: 0.7216, lr: 4.00e-03
fg/bg=(82/430), time cost: 277.240751
rpn_cls: 0.0897, rpn_box: 0.0131, rcnn_cls: 0.1557, rcnn_box 0.1644
[session 1][epoch 2][iter 1400/2505] loss: 0.7041, lr: 4.00e-03
fg/bg=(117/395), time cost: 277.448369
rpn_cls: 0.0938, rpn_box: 0.0334, rcnn_cls: 0.2144, rcnn_box 0.2643
[session 1][epoch 2][iter 1500/2505] loss: 0.6691, lr: 4.00e-03
fg/bg=(114/398), time cost: 278.218134
rpn_cls: 0.0648, rpn_box: 0.0403, rcnn_cls: 0.1703, rcnn_box 0.2494
[session 1][epoch 2][iter 1600/2505] loss: 0.6776, lr: 4.00e-03
fg/bg=(101/411), time cost: 276.265288
rpn_cls: 0.2302, rpn_box: 0.0796, rcnn_cls: 0.3031, rcnn_box 0.2957
[session 1][epoch 2][iter 1700/2505] loss: 0.6100, lr: 4.00e-03
fg/bg=(111/401), time cost: 276.921033
rpn_cls: 0.0445, rpn_box: 0.0589, rcnn_cls: 0.1895, rcnn_box 0.3049
[session 1][epoch 2][iter 1800/2505] loss: 0.6402, lr: 4.00e-03
fg/bg=(99/413), time cost: 279.126111
rpn_cls: 0.0976, rpn_box: 0.0408, rcnn_cls: 0.1940, rcnn_box 0.2101
[session 1][epoch 2][iter 1900/2505] loss: 0.6828, lr: 4.00e-03
fg/bg=(115/397), time cost: 277.349934
rpn_cls: 0.1912, rpn_box: 0.0540, rcnn_cls: 0.1890, rcnn_box 0.2691
[session 1][epoch 2][iter 2000/2505] loss: 0.6197, lr: 4.00e-03
fg/bg=(90/422), time cost: 276.248681
rpn_cls: 0.0222, rpn_box: 0.0638, rcnn_cls: 0.1732, rcnn_box 0.2191
[session 1][epoch 2][iter 2100/2505] loss: 0.6087, lr: 4.00e-03
fg/bg=(113/399), time cost: 277.705678
rpn_cls: 0.1838, rpn_box: 0.1351, rcnn_cls: 0.3173, rcnn_box 0.2759
[session 1][epoch 2][iter 2200/2505] loss: 0.6375, lr: 4.00e-03
fg/bg=(91/421), time cost: 277.965877
rpn_cls: 0.0758, rpn_box: 0.0216, rcnn_cls: 0.2189, rcnn_box 0.1767
[session 1][epoch 2][iter 2300/2505] loss: 0.6471, lr: 4.00e-03
fg/bg=(107/405), time cost: 275.611051
rpn_cls: 0.0862, rpn_box: 0.0442, rcnn_cls: 0.2505, rcnn_box 0.2988
注意：colab好像一次只能用12个小时，12个小时还没训练完的话会自动停止训练，并且资源会被谷歌回收，也就是说所有结果都会被清空，因此，请注意你的训练时长！
五、总结
1、可以把Colab看成是一台带有GPU的Ubuntu虚拟机，只不过我们只能用命令行的方式操作它。你可以选择执行系统命令，亦或是直接编写运行python代码。
2、挂载完Google Drive，会在虚拟机里生成一个drive文件夹，直接将Google Drive当成是一块硬盘即可。访问drive文件夹里的文件，就是在访问你的Google Drive里的文件。
3、Colab最多连续使用12小时，超过时间系统会强制掐断正在运行的程序并收回占用的虚拟机。（好像再次连接到虚拟机后，虚拟机是被清空的状态，需要重新配置和安装库等等）
4、请使用科学上网
参考资料
faster-rcnn pytorch项目地址
Google Colab——用谷歌免费GPU跑你的深度学习代码
官方教程