【引言】 最近在用可变卷积的rfcn 模型迁移训练自己的数据集， MSRA官方使用的MXNet框架
环境搭建及配置：http://www.cnblogs.com/andre-ma/p/8867031.html
一 参数修改：
1.1 ~/Deformable-ConvNets/experiments/rfcn/cfgs/resnet_v1_101_voc0712_rfcn_dcn_end2end_ohem.yaml 文件中修改两个参数 （yaml文件包含对应训练脚本的一切配置信息和超参数）
一个使用GPU个数 ：
gpus: '0,1' 表示用两块GPU训练
另一个是样本类别数：
NUM_CLASSES: 5 样本类别数需 + 1 因为有背景
还有要修改使用的数据集：
image_set: 2007_trainval 单单使用VOC2007 若是 image_set: 2007_trainval+2012_trainval 则用VOC2007 和 VOC2012两个数据集
1.2 修改 ~/Deformable-ConvNets/lib/dataset/pascal_voc.py 文件中的样本标签类别
self.classes = ['__background__', 'tiger_beetle', 'scarab', 'stinkbug','moth'] 和上面对应，加上背景一共为5类
二 数据集准备及制作
2.1 获取数据，这个自己准备，可以用爬虫在互联网上爬取，或用其他方式收集，推荐几个图片爬虫 ： 百度图片爬虫 必应图片爬虫
2.2 标注图片信息，在做目标检测时需要coco数据集或VOC数据集，可用labelImg等图像标注工具标注图片：labelImg链接：https://github.com/tzutalin/labelImg
【这里简单介绍下VOC数据格式】 参考：https://blog.csdn.net/julialove102123/article/details/78330752
VOC数据集的组织架构如下：
- VOC2007的目录结构为：
├── Annotations xml文件
├── ImageSets txt文件
└── JPEGImages 图片
- ImageSets的目录结构为：
├── Layout
├── Main
└── Segmentation
LabelImg可在多个平台下配置，但要注意各软件依赖的版本号：通常是python=3.5 pyqt=4 依赖lxml
Ubuntu16.04 配置labelImg教程：https://blog.csdn.net/lightningqw/article/details/78944941 （ubuntu系统下确实是不能用中文，结果发现在windows下以上的方法可以带中文）
2.3 排查并删除所有错误jpg格式
通过后缀名来判断jpg格式文件虽然简单，但是有时候会出错，尤其是从互联网上获取的图片，其质量更是难以保证。
python的PIL工具提供对jpg格式文件的判断方法：https://blog.csdn.net/qiyuanxiong/article/details/77943578
（ps: 删除不合格jpg时，记得要对应删除xml文件信息哦~）
2.3 生成4个txt
train.txt val.txt trainval.txt test.txt 四txt：生成及介绍：https://blog.csdn.net/Bankeey/article/details/76595884
train:val:test = 1： 1： 2 trainval是train和val的并集，即 train:val:trainval = 1:1:2 【训练、验证、测试流程详解】
如何制作自己的VOC2007数据集：https://www.jianshu.com/p/b498a8a5a4f4
三 迁移训练
熟悉可变卷积Deformable-ConvNets 的老铁们，可知在experiments文件夹下是不同模型的project
如本实验使用rfcn模型迁移训练，cd Deformable-ConvNets目录，执行下面代码，开始训练！
python experiments/rfcn/rfcn_end2end_train_test.py --cfg experiments/rfcn/cfgs/resnet_v1_101_voc0712_rfcn_dcn_end2end_ohem.yaml
【总结】
1.用自己的数据集迁移训练可变rfcn模型，主要核心问题是数据集，数据集要有数量和质量
2.使用可变rfcn迁移训练，关键要熟悉流程，以及需要修改的文件和参数
3.遇到问题时不要慌，有时候一着急反而容易把问题复杂化，或是本来快要找到解决问题的正确方法，却因另一个小问题掩盖了真正要解决的问题
anyway: 安息为王~ ：）
本文参考：https://blog.csdn.net/yiweibian/article/details/67634584