Faster-rcnn源码解析2

经过了数据准备阶段，得到roidb和 imdb，下面利用得到的数据roidb进入网络的训练阶段：

model_paths = train_net(solver, roidb, output_dir,pretrained_model=init_model,max_iters=max_iters)

# 假设：net_name=‘ZF’，那么solver：ZF_faster_rcnn_alt_opt_stage1_rpn_solver60k80k.pt，

#  max_iters：80000

进入train_net函数：

首先，使用filter_roidb函数对roidb进行过滤，过滤掉无效的图片数据。

然后，创建 SolverWrapper类：

sw = SolverWrapper(solver_prototxt, roidb, output_dir,pretrained_model=pretrained_model)

进入 SolverWrapper类的初始化函数：

注意，cfg.TRAIN.BBOX_REG =False。所以，这两个if语句都不执行。

self.solver = caffe.SGDSolver(solver_prototxt)：利用stage1_rpn_solver60k80k.pt文件初始化网络的优化器

self.solver.net.layers[0].set_roidb(roidb)：根据roi_data_layer.layer文件中的set_roidb函数来对roidb进行随机打乱

回到train_net函数，执行：model_paths = sw.train_model(max_iters)，返回值是一个列表。

进入 sw.train_model函数：

每200次打印一次结果。

每10000次保存一次网络，注意，在stage1_rpn_solver60k80k.pt文件中，snapshot：0，因此，这里没用使用caffe自带的snapshot来保存网络结果，而是用的自己定义的snapshot。

进入snapshot，发现这个函数返回值是一个：filename文件（保存的网络的绝对路径），因此model_paths 返回的结果是一个filename文件的列表。这也是train_net函数的返回结果。

回到train_rpn函数中：

将得到的model_paths 列表中的元组只保留最后一个，其余的全部移除，也就是只保留最新的那个网络结果，然后把这个结果以字典的形式推入进程队列中。

最后，回到：p = mp.Process(target=train_rpn,kwargs=mp_kwargs)，注意，这里的p只是创建进程，接下来，我们启动进程：p.start()，从进程队列中取出刚才的字典的value：rpn_stage1_out = mp_queue.get()，然后等待进程结束：p.join()

这样，我们就得到了训练的rnp网络：rpn_stage1_out，然后把它用在下一步中。