Faster R-CNN
环境配置：
Python3.6或者3.7 Pytorch1.6(注意：必须是1.6.0或以上，因为使用官方提供的混合精度训练1.6.0后才支持) pycocotools(Linux: pip install pycocotools;
Windows:pip install pycocotools-windows(不需要额外安装vs))Ubuntu或Centos(不建议Windows) 最好使用GPU训练
文件结构：
├── backbone: 特征提取网络，可以根据自己的要求选择
├── network_files: Faster R-CNN网络（包括Fast R-CNN以及RPN等模块）
├── train_utils: 训练验证相关模块（包括cocotools）
├── my_dataset.py: 自定义dataset用于读取VOC数据集
├── train_mobilenet.py: 以MobileNetV2做为backbone进行训练
├── train_resnet50_fpn.py: 以resnet50+FPN做为backbone进行训练
├── train_multi_GPU.py: 针对使用多GPU的用户使用
├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试
├── pascal_voc_classes.json: pascal_voc标签文件
预训练权重下载地址（下载后放入backbone文件夹中）：
MobileNetV2 backbone: https://download.pytorch.org/models/mobilenet_v2-b0353104.pth ResNet50+FPN backbone: https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
数据集，本例程使用的是PASCAL VOC2012数据集(下载后放入项目当前文件夹中)
Pascal VOC2012 train/val数据集下载地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar 如果需要使用Pascal VOC2012 test数据集请参考：https://pjreddie.com/projects/pascal-voc-dataset-mirror/ 如果不了解数据集或者想使用自己的数据集进行训练，请参考我的bilibili：https://b23.tv/F1kSCK
训练方法
确保提前准备好数据集 确保提前下载好对应预训练模型权重 若要训练mobilenetv2+fasterrcnn，直接使用train_mobilenet.py训练脚本 若要训练resnet50+fpn+fasterrcnn，直接使用train_resnet50_fpn.py训练脚本 若要使用多GPU训练，使用 “python -m torch.distributed.launch --nproc_per_node=8 –use_env train_multi_GPU.py” 指令,nproc_per_node参数为使用GPU数量
如果对Faster RCNN原理不是很理解可参考bilibili
https://b23.tv/sXcBSP
进一步了解该项目，以及对Faster RCNN代码的分析可参考bilibili
https://b23.tv/HvMiDy
