以下是fasterRCNN的结构图，下面进行详细的过程梳理：
当我们输入一张图片，首先传达给backbone网络进行特征提取，backbone的选择不是唯一的，可以使用resnet50,101等等，其目的就是为了得到图像的大小较小，但却很深的特征层
举个例子，当输入图像的形状是600x600x3时，经过backbone会得到一个特征层形状为38x38x1024，注意，输入的图像应进行归一化处理
使用这个特征层进行3x3卷积，滤波器个数为512，得到一个38x38x512的特征层，以38x38为大小，获得38x38=1444个锚点，每个锚点会有9个框，注意现在这个框是对于共享特征层而言的，下图表示在特征层中心位置这个锚点对应的9个先验框
RPN在第一张图中由3x3卷积，两个1x1卷积组成，其目的是进行粗略筛选出建议框，类似fastRCNN中使用图像处理算法提起建议框的作用
一般来说RPN默认做的一步就是把特征图上的所有先验框38x38x9个全部表示出来；之后，把38x38x512这个特征层上的每一个位置点（总共38x38个）分别进行两个1x1的卷积，第一个卷积有9个滤波器，代表了9个先验框中包含物体的概率（分类），第二个卷积有9x4个滤波器，代表9个先验框，每一个框进行调整的参数（左上角坐标x,y和右下角坐标x,y（回归））
因此，目前RPN输出有两个数组，第一个是(38x38,9)，代表先验框包含物体概率，第二个是（38x38,9x4），代表先验框调整的位置信息，注意，目前没有排除任何一个先验框，每个都参与了计算
下一步就需要进行删除没有用的先验框了，留下的叫建议框一般设置为300个，我们已知每个先验框都含有一个概率大小，我们将这个值与一个设置的置信度进行比较，包含物体的置信度一般取0.5，当概率小于0.5，删除这个先验框；下一步化简继续，考虑到框的重叠，进行一下非极大抑制，即NMS
插入一个说明：
NMS：去除重复的边框
将所有候选框的得分进行排序，选中最高分及其所对应的BBox：
遍历其余的框，如果它和当前最高得分框的重叠面积大于一定的阈值，我们将其删除
从没有处理的框中继续选择一个得分最高的，重复上述过程最后得到：
然后把剩下的先验框结合（38x38,9x4）中的位置调整信息，获得初步调整位置的框，映射回到原图，删除超出边界的框，此时还没结束，将剩余的框按照置信度即它的概率大小进行排序，选择最高的前300个，目前便得到了初步筛选出的300个建议框，还是注意，这300个建议框的大小是针对共享特征层而言的；
将这300个建议框与共享特征层求交集，获得300个小特征层，即形状为（300,mxn,1024），即300个mxn大小，深度或者通道数为1024的特征层集合，m,n代表了各个建议框的宽和高，每个建议框的宽和高都是不一样的，但是我们可以使用RoIpooling层进行池化，获得300个固定大小为14x14，1024的特征层
此处插入RoIpooling的过程：将一个宽和高为mxn的特征层（深度为d），等分成设置的（14x14份，通道数d不变，为了满足等分时取整，需要进行量化），然后在每个小区域内进行池化即可得到（14x14,d）的固定特征层
举个例子：
1)Conv layers使用的是VGG16，feat_stride=32(即表示，经过网络层后图片缩小为原图的1/32),原图800x800,最后一层特征图feature map大小:25x25
2)假定原图中有一region proposal，大小为665x665，这样，映射到特征图中的大小：665/32=20.78,即20.78x20.78，如果你看过Caffe的Roi Pooling的C 源码，在计算的时候会进行取整操作，于是，进行所谓的第一次量化，即映射的特征图大小为20x20
3)假定pooled_w=7,pooled_h=7,即pooling后固定成7x7大小的特征图，所以，将上面在 feature map上映射的20x20的 region proposal划分成49个同等大小的小区域，每个小区域的大小20/7=2.86,即2.86x2.86，此时，进行第二次量化，故小区域大小变成2x2
4)每个2x2的小区域里，取出其中最大的像素值，作为这一个区域的‘代表’，这样，49个小区域就输出49个像素值，组成7x7大小的feature_map
现在得到了固定大小的特征层，且总计300个，因此整体看来这个张量形状为（300,14,14,1024），在后面计算上，可以并行地计算每一个特征层，我们现在为了方便理解，就只从300个特征层中选出1个进行计算过程上的浏览：
现在选出了一个特征层：（14,14,1024），对这个特征层进行卷积，使用到了残差网络50的最后一个stage，即conv_block->identity_block->identity_block，输出特征层形状为（7,7,2048），进行一次平均池化得到特征层（1,1,2048），将这个特征层reshape展开成一个向量，此时便可以直接进行全连接层处理，这里的全连接层计算也分成了2个分支，一个是预测类别，一个回归得到边框进一步调整的4个参数信息
对于分类分支，如果有20类物体，就要对应21个神经元，多出的这一个属于背景类别
对于回归分支，就有20x4个神经元，分别对应每一类下边框调整的4个位置参数
我们绘制边框时，只需要索引分类分支中得到概率最大的那个类别，选出这个类别对应的4个参数信息就可以了，这里注意，背景类别不用绘制
到这里还没有结束，经过一波计算，我们得到了num个（num<300, 因为背景不算）经过精细调整的边框，以及对应的num个物体，对剩下num个物体，进行一次置信度筛选，因为它对应的概率可能仅为0.6，这会导致结果判断出现错误，所以从num个物体中选择置信度大于0.9的物体，到这里依然还没结束；
因为实验证明，到目前还是避免不了有边框重叠现象，比如：
所以对此，再次进行NMS，得到最终结果：
到这里，fasterRCNN的一个过程其实就已经梳理完成了，模型确实比较大，但是它的精度是不容置疑的。下面我们开始进入模型训练部分
项目代码 获取方式：
关注微信公众号 datayx 然后回复 RCNN 即可获取。
训练我们自己的FasterRCNN
注意一个必要的点，训练fasterRCNN必须使用VOC格式的数据集，因此，我会先从VOC格式数据集制作入手，再进入训练的部分
使用labelimg制作我们自己的VOC数据集
首先安装labelimg，即 pip install labelimg，等待安装完成后，在Terminal中打开labelimg：
打开左边的Open Dir，即选中数据集中图片文件的路径；
打开Change Save Dir，选择xml标注文件的保存路径；
现在窗口中会显示我们需要编辑的图片：
选择CreatenRectBox，直接在图片上选出真实框，每次画好一个真实框后，需要输入这个框的类别名称，选好框后状态变成：
选择左边的Save，此时标记生成XML文件保存到Change Save Dir设置的路径下，XML文件内容如下：
然后一张一张图片的标记，每张图片对应一个XML文件，这就生成了训练数据集
在实际训练中，为了方便生成器读取，我们需要生成一个txt文件，行数量就是训练集中的图片数量，列数量各自不同，第一列均是图片的绝对存储路径，后面的列依次表示成：
类别编码 框的4个位置信息；类别编码 框的4个位置信息…
训练的时候读这个txt即可
FasterRCNN训练详解
训练fasterRCNN时，必须先确保有VOC格式的数据集
首先，将fasterrcnn网络框架构建好，并加载预训练权重减少不必要的训练时间
训练需要分成两部分：
1.先训练RPN，即训练边框初步回归分支与判断是否包含物体分支，使网络具有提取建议框的能力；注意到，在这一阶段训练，每个位置点的9个先验框是人为事先分配好的；
2.利用提取出的建议框，与共享特征层求交，训练网络最后的分类分支与边框精细回归分支。
关于正负样本要注意，伴随着训练，正负样本分别出现在3个不同的阶段内：
第一阶段是RPN的先验框是否包含物体（包含具体物体的先验框为正样本，包含背景为负样本），分别随机选择128个正负样本训练，可以达到初步预测出建议框的目的；
第二阶段是判断建议框与真实框的重合度，（可以线性回归的是正样本，必须非线性回归的是负样本），可以线性回归的意思是上一阶段选出的建议框与真实框IOU比较大，则认为可以线性回归到真实框，同样分别随机选择128个正负样本训练，这样训练可以使网络获得更少的建议框，也方便用线性回归方式进行准确调整；
第三阶段是最终选出的建议框中，所含物体的类别，多个二分类构成的多分类，这里的正负样本就是分解出的一个个二分类样本
现在开始训练流程说明：
太多的图片导致内存不能容纳，所以借助数据生成器提供源源不断的批量数据，数据生成器读取图片的时候，会对图片进行随机的光照补强等图像增强操作，目的是为了使数据集多样化，提高网络的泛化能力
读取数据集之后，数据生成器会返回两类数据：
增强后的图片，真实边框的坐标信息
在共享特征层上获得所有先验框，每个先验框与每个真实框计算一次iou，iou大于0.7的设置为正样本，小于0.3的设置为负样本，在两个值中间的框要忽略，不加入训练
此处插入iou：将两个框按照如下方式计算，即为iou
将正负样本分批传给RPN训练，损失函数为RPN的分类损失与回归损失之和，分类只有两类：包含物体类，背景类；优化器为Adam，学习率为1e-5
在这个epoch内的一次训练中，RPN完成了一代训练，现在要使用RPN对生成器提供的新一批数据预测出粗略的建议框，将这些建议框再次与真实框计算求出iou，当iou大于0.6时，认为两个框比较相似，用线性回归到真实框是可以实现的，如果iou小于0.6，必须按照非线性回归才可以调整到真实框，但这已经不是我们要计算的任了，所以大于0.6的为正样本，小于0.6的为负样本，此时又得到了一次正负样本，将正负样本传入训练，现在RPN具有了提取理论上可以支持线性回归的建议框。
因此在这里，又出现了一次分类损失函数，和回归损失函数，函数的形式与上面的一样，只是计算的对象变成：
分类的目标是可线性回归的框和必须非线性回归的框，回归的计算只考虑可以线性回归的框；
这个epoch中的一次训练还没有结束，现在使用RPN再次预测一批数据，获得了更加合理的建议框，将建议框映射到共享特征层大小上，截取特征层的每一个区域，现在就把这些截取出来的特征层们看做“一个一个的原图片经过特征提取网络（resnet或者VGG）获得的特征层”，我们要做的就是预测它们分别对应的标签，分类使用交叉熵损失；除此之外，在训练分类的同时，训练4个位置回归的参数，目的是对建议框进行更加细致的调整。
前面说过网络的训练分两个阶段，第一阶段训练RPN，第二阶段才训练最后的分类层（分类层包括分类分支，回归分支）
因此训练RPN的综合损失函数为提取出合理的建议框到roipooling层之前的损失函数之和：分成4个损失，2个分类损失，2个回归损失；
提取出合理的建议框后，就开始训练分类层，后面的损失函数之和就是分类层的综合损失，只有2个损失，1个分类损失，1个回归损失
在很多个epoch后，损失减小，训练结束，权重保存到.h5文件
使用labelimg标注口罩数据及后得到训练结果，使用tensorboard查看计算图：
fasterRCNN整体比较庞大，只展示出部分
损失函数之和的减小过程为：
平均的检测准确率为：
使用训练好的权重进行测试：
