這段時間看了不少論文，回頭看看，感覺還是有必要将Faster rcnn的源碼了解一下，畢竟後來很多方法都和它有相近之處，同時了解該架構也有助于以後自己修改和編寫自己的架構。好的開始吧～
這裡我們跟着Faster rcnn的訓練流程來一步一步梳理，進入tools\train_faster_rcnn_alt_opt.py中：
首先從__main__入口處進入，如下：
上圖中首先對終端中的指令行進行解析，擷取相關的指令參數；然後利用mp.Queue()建立一個多線程的對象，再利用get_solvers()獲得solvers等資訊；然後就開始了論文中的“四步訓練”：
第一步，首先訓練RPN網絡：
上圖中，先開始子程序訓練RPN，訓練函數是train_rpn()，那麼我們就進入這個函數一探究竟：
這裡首先使用cfg設定訓練時的一些設定參數（cfg類是一個字典，其定義在config.py中，屬于網絡訓練時的配置檔案）（注意這裡的cfg.TRAIN.PROPOSAL_METHOD = 'gt'這在後面會用到），然後是初始化caffe,這裡主要是設定了随機數種子，以及使用caffe訓練時的模式（gpu/cpu）；之後就是第一個重頭戲--擷取imdb和roidb格式的訓練資料：
進入get_roidb()函數，如下：
首先通過get_imdb()函數獲得imdb資料，那我們就再進入get_imdb()函數一探究竟，如下：
這裡其實也是調用了pascal_voc()函數來建立imdb資料，pascal_voc類見pascal_voc.py檔案中，如下：
這裡隻截取了一部分，可以發現，pascal_voc這個類主要用來組織輸入的圖檔資料，存儲圖檔的相關資訊，但并不存儲圖檔；而實際上，pascal_voc類是imdb類的一個子類；好了現在imdb資料已經獲得了，再回到get_roidb()中，緊接着set_proposal_method()函數設定了産生proposal的方法，實際也是向imdb中添加roidb資料，進入set_proposal_method()這個函數：
首先用eval()對這個方法進行解析，使其有效，再傳入roidb_handler中，這裡就要回到之前的train_rpn()函數中了，它裡面設定了cfg.TRAIN.PROPOSAL_METHOD='gt'（預設值是selective search,先前用于fast rcnn的），先進入gt_roidb()函數中：
這裡gt_roidb()中實際是使用_load_pascal_annotation()通過解析XML檔案獲得gt的roi的，進入該解析函數：
可以發現，roidb的結構是一個包含有5個key的字典，具體值見上面代碼～
這個時候就從imdb獲得了最初的roidb格式的資料，但這還不是訓練時的roidb資料，再回到get_roidb()函數中，通過get_training()函數得到最終用于訓練的roidb資料，進入該函數：
先根據cfg.TRAIN.USE_FLIPPED判斷是否需要對roi進行水準鏡像翻轉（注意這裡的鏡像的對稱軸是圖檔的中心線），然後使用append_flipped_images()添加鏡像roi，作者認為這樣子能提高最終網絡的訓練結果（這應該算是一種簡單的資料增強吧），進入該函數：
添加之後還沒結束呢，回到get_training_roidb()中，最後還要再經過一步prepare_roidb()，進入該函數：
向roidb中再添加一些額外的資訊就可以用來進行訓練了（注意這還隻是第一步，訓練總共四步），好了，到這兒，關于擷取roidb和imdb的代碼就介紹到這兒了～
http://www.cnblogs.com/zf-blog/p/7273182.html