より高速なR-CNN faster_rcnnソースコードファイルフォルダは3 faster_rcnn.py、含まれていresnet.py、vgg16.pyを。
1.faster_rcnn.pyコメント
1 クラス_fasterRCNN（nn.Module）： 2 "" " 高速RCNN " "" 3。 DEF __init__（セルフ、クラス、class_agnostic）： ＃のクラスに依存しない回帰に基づく方法は、わずか2バウンディングボックス、すなわち、前景と背景であるぴったりた 4。 スーパー（_fasterRCNN、自己）。__init__ （） 。5つの self.classesクラス= ＃1 タイプ 。6 self.n_classes = LEN（クラス）＃1 カテゴリの数 。7 self.class_agnostic = class_agnostic ＃の前景背景クラス 8つの ＃損失二種類損失 9 self.RCNN_loss_cls = 0 10 self.RCNN_loss_bbox = 0 11 12 ＃定義RPN定义RPN网络 13 self.RCNN_rpn = _RPN（self.dout_base_model） 14 self.RCNN_proposal_target = _ProposalTargetLayer（self.n_classes） ＃候选区域对应GT 15 self.RCNN_roi_pool = _RoIPooling（cfg.POOLING_SIZE 、cfg.POOLING_SIZE、1.0 / 16.0） ＃のプーリング 16 self.RCNN_roi_align = RoIAlignAvg（cfg.POOLING_SIZE、cfg.POOLING_SIZE、1.0 / 16.0 ） 17 18 self.grid_size = cfg.POOLING_SIZE * 2 なら cfg.CROP_RESIZE_WITH_MAX_POOL 他cfg.POOLING_SIZE 19 self.RCNN_roi_crop = _RoICrop（） 20は、 21である DEFフォワード（セルフ、im_data、im_info、gt_boxes、num_boxes）：＃1 画像アノテーション情報ブロック番号情報 22が BATCH_SIZE = im_data.size（0） 23である 24 im_info = im_info.data 25 gt_boxes = gt_boxes.data 26は num_boxes = num_boxes.data 27 28 ＃の特徴マップ得るために画像データ・ベース・モデルベースのフィード 29 ＃図の基本的な機能を得るために、画像データのベースモデルに供給されます。 30 base_feat = self.RCNN_base（im_data） 31であります 32 ＃の機能地図TP RPN ROIを得るために、送り台 33は、 ＃1 背面図RPNに機能ROIS取得 34は 関心領域、rpn_loss_cls、rpn_loss_bbox = self.RCNN_rpn（base_feat、im_info、gt_boxes、num_boxes） 35 36 ＃ITトレーニング・フレーズである場合、使用グランド用bboxes trubut精製 37 位グランドトゥルースが回帰使用して訓練された場合に 38で IF ：self.trainingは 39 roi_data = （関心領域は、gt_boxes、num_boxes）self.RCNN_proposal_target 40個 のROI、rois_label、rois_target、rois_inside_ws、rois_outside_ws = roi_data 41は 42であります rois_label =可変（rois_label.view（-1 ）.LONG（）） 43 rois_target =可変（rois_target.view（-1、rois_target.size（2 ））） 44 rois_inside_ws =可変（rois_inside_ws.view（-1、rois_inside_ws。サイズ（2 ））） 45 rois_outside_ws =可変（rois_outside_ws.view（-1、rois_outside_ws.size（2 ））） 46 他： 47 rois_label = なし 48 rois_target = なし 49 rois_inside_ws = なし 50 rois_outside_ws = なし 51 rpn_loss_cls = 0 52 rpn_loss_bbox = 0 53 54 のROI = 可変（関心領域） 55の ＃は予測関心領域に基づいてROIプーリングない 56 ＃、进行のROIのプーリングプーリング下面方式 57 58 なら cfg.POOLING_MODE == ' 収穫' ： 59 ＃pdb.set_trace （） 60 ＃pooled_feat_anchor = _crop_pool_layer（base_feat、rois.view（-1、5）） 61 grid_xy = _affine_grid_gen（rois.view（-1、5）、base_feat.size（）[2 ：]、self.grid_size） 62 grid_yx = torch.stack（[grid_xy.data [：、：、：、1]、grid_xy.data [：、：、：、0]]、3 ）.contiguous（） 63 pooled_feat = self.RCNN_roi_crop（base_feat、変数（grid_yx）.detach（）） 64 であればcfg.CROP_RESIZE_WITH_MAX_POOL： 65 pooled_feat = F.max_pool2d（pooled_feat、2、2 ） 66 のelif cfg.POOLING_MODE == ' ALIGN ' ： 67 pooled_feat = self.RCNN_roi_align（base_feat、rois.view （-1、5 ）） 68 のelif cfg.POOLING_MODE == ' プール' ： 69 = self.RCNN_roi_poolのpooled_feat（base_feat、rois.view（-1,5 ）） 70 71である ＃のプールされたへの供給原料はトップモデル特長 72の ＃の最後のフィードバックモデルにプールした後の特性を 73で pooled_feat = self._head_to_tail（pooled_feat） 74 75 ＃BBOXは、計算オフセット 76 ＃計算はボックス境界オフセット 77を bbox_pred = self.RCNN_bbox_pred（pooled_feat） 78 IF self.training 及び ませんself.class_agnostic： 79の ＃は対応する列にROIを選択よらラベル 80 ＃適切なカラムを選択するROIタグに従って 81 bbox_pred_view = bbox_pred.view（bbox_pred.size（0）、INT（bbox_pred.size（1）/ 4）,. 4 ） 82 bbox_pred_select = torch.gather（bbox_pred_view ,. 1、rois_label.view（ rois_label.size（0）,. 1 ,. 1）.expand（rois_label.size（0）,. 1 ,. 4 ）） 83 bbox_pred bbox_pred_select.squeezeは=（1 ） 84 85 ＃計算オブジェクト分類確率 86 ＃のコンピューティングオブジェクト分類確率 87 cls_score = self.RCNN_cls_score（pooled_feat） 88 cls_prob = F.softmax（cls_score ,. 1 ） 89 90 RCNN_loss_cls =0 91 RCNN_loss_bbox = 0 92 93 場合self.training： 94の ＃分類損失 95 ＃分类损失 96 RCNN_loss_cls = F.cross_entropy（cls_score、rois_label） 97 98 ＃バウンディングボックス回帰L1損失は 99 ＃回归损失 100 RCNN_loss_bbox = _smooth_l1_lossを（bbox_pred、 rois_target、rois_inside_ws、rois_outside_ws） 101 102 103 cls_prob = cls_prob.view（BATCH_SIZE、rois.size（1）、-1 ） 104 = bbox_pred.view bbox_pred（BATCH_SIZE、rois.size（1）、-1 ） 105個の 106 リターンのROI、cls_prob、bbox_pred、rpn_loss_cls、rpn_loss_bbox、RCNN_loss_cls、RCNN_loss_bbox、rois_label 107の 108 ＃の初期重み 109 DEF _init_weights（自己）： 110 DEF normal_init（M、平均、STDDEV、切り捨て=偽）： ＃は、SD 111 ＃切り捨てられた正規乱数通常 112 "" " 113 切り捨て正常および正常ランダム:. initalizer重量 114 " "" 115 ＃のXはパラメータである 1 16 IF 切り捨て： 117 m.weight.data.normal _（）fmod_（2）.mul_（STDDEV）.add_（平均）。 ＃ない完璧な近似値 118 他： 119 m.weight.data.normal_（平均、STDDEV） 120 m.bias。 data.zero_（） 121 122 normal_init（self.RCNN_rpn.RPN_Conv、0、0.01 、cfg.TRAIN.TRUNCATED） 123 normal_init（self.RCNN_rpn.RPN_cls_score、0、0.01 、cfg.TRAIN.TRUNCATED） 124 normal_init（self.RCNN_rpn .RPN_bbox_pred、0、0.01 、cfg.TRAIN.TRUNCATED） 125 normal_init（self.RCNN_cls_score、0、0.01 、cfg.TRAIN.TRUNCATED） 126 normal_init（self.RCNN_bbox_pred、0、0.001 、cfg.TRAIN.TRUNCATED） 127 128 デフcreate_architecture（自己）： 129 self._init_modules（） 130 self._init_weights（）
REF：https://blog.csdn.net/weixin_43872578/article/details/87930953