目标检测：DA-faster-rcnn（pytorch版本）训练自己的数据集

下面是利用pytorch版本的DA-faster-rcnn训练自己的数据集流程：

代码链接：https://github.com/VisionLearningGroup/DA_Detection

说明：该代码主要基于pytorch版本的faster-rcnn修改的，至于如何使用pytorch版本的faster-rcnn训练自己的数据集参考我之前的博客；

当训练时考虑全局特征对齐gc和局部特征对齐lc时，训练命令示例如下：

 CUDA_VISIBLE_DEVICES=$GPU_ID python trainval_net_global_local.py \

                    --dataset source_dataset --dataset_t target_dataset --net vgg16 \

                    --cuda –lc  --gc

具体需要修改的文件如下：

1. parse_func.py，在该脚本中加入自己的数据集的相关信息；
2. factory.py，该脚本中加入lambda函数，调用自己的数据集的相关类；
3. 仿照pascal_voc.py写自己的数据集的相关类并拷贝至/lib/datasets/下，相关的数据集py里需要重点考虑添加下标越界的检查处理和相关的devkit_path,data_path路径的设置；
4. /lib/model/faster-rcnn/resnet-global-local.py中预训练模型地址修改成自己预训练模型的存放地址，也可以直接在config.py中修改_C.RESNET_PATH等；
5. /lib/roidb_data_layer/minibatch.py中misc的imread改成cv的imread，同时考虑rgb和bgr的相关转换；
6. 酌情考虑修改/lib/datasets/下的voc_eval.py，该脚本主要是test阶段用于评估模型的rec(召回率)、prec(准确率)和ap(召回率和准确率围成的曲线面积)的，可以根据自己的实际情况修改，默认的计算方式根据use_07_metric而定，有voc07和07之后的两种计算方式，现在一般用的是07之后的计算方式，当然有需要的话可以自己进一步用cocoapi评估模型的检测性能;
7. 可以根据情况修改lib/datasets/imdb.py，包括修改imdb中坐标越界的处理，不然的话loss很容易出现nan；
8. 准备own数据集，并按照voc的格式放置在data目录下，如data/vocdevkit/voc2007/目录下有Annotations、ImageSets和JPEGImages，其中Annotations目录下直接存储的数据集的所有xml标注文件，JPEGImages目录下存放的所有数据图片，ImageSets的Main目录下主要是trainval.txt和test.txt文件，主要是相应的训练或测试的数据集图片名称，注意不带路径，也不带图片后缀名，制作own datasets的相关数据时，txt文件的格式一定要注意；
9. 清除一些不必要的缓存文件，该程序training和testing阶段都会保存大量的信息，如VOCdevkit/result下存放的testing时每个类别的检测结果的txt文件，output目录下存放的testing时总的检测结果和分类别的评估结果的pkl，以及testing时保存在vocdevkit/annotaion_cache/下的测试数据集的gt的pkl文件，训练和测试时保存在data/cache下的一些关于数据集gt和尺寸的相关文件；当需要重新训练时，一定注意清理这些缓存文件，因为程序训练和测试时默认读取的是缓存文件；
10. 模型训练后会将pth文件存放在项目主目录的model下，testing时可以将可视化结果保存在项目主目录的results下。