熟悉了github项目提供的训练测试后，可以来训练自己的数据了。本文只介绍改动最少的方法，只训练2个类，
即自己添加的类（如person）和 background，使用的数据格式为pascal_voc。
1.训练数据的准备
先来看看data下的目录：
(1)Annotations 存放所有训练数据的xml文件，是图片的标注数据，
可以使用labelImg工具生成。github地址：https://github.com/tzutalin/labelImg.git
(2)ImageSets 底下有个main文件夹，里面放的是4个txt文件，
分别为 test.txt，train.txt，trainval.txt，val.txt。
每个文件存放的都是相应的图片数据名称，不含后缀。
trainval是train和val的合集，两者的比例可以为1：1。
生成txt文件的方法可以参考本人的另一篇blog：http://www.cnblogs.com/danpe/p/7859635.html
(3)JPEGImages 是存放所有训练图片的目录。
注：修改为训练数据后，需要删除data/cache 下的pkl文件，不然不会去获取修改的数据，而是使用该缓存。
2.修改项目部分代码文件
由于我们只训练了2个类，所以需要对代码中有关类的数目的地方进行修改。
(1)lib/datasets/pascal_voc.py
class pascal_voc(imdb): def __init__(self, image_set, year, devkit_path=None): imdb.__init__(self, 'voc_' + year + '_' + image_set) self._year = year self._image_set = image_set self._devkit_path = self._get_default_path() if devkit_path is None else devkit_path self._data_path = os.path.join(self._devkit_path, 'VOC' + self._year)
# modified # self._classes = ('__background__', # always index 0 # 'aeroplane', 'bicycle', 'bird', 'boat', # 'bottle', 'bus', 'car', 'cat', 'chair', # 'cow', 'diningtable', 'dog', 'horse', # 'motorbike', 'person', 'pottedplant', # 'sheep', 'sofa', 'train', 'tvmonitor')
self._classes = ('__background__', # always index 0 'person')
(2)lib/datasets/pascal_voc2.py，与pascal_voc.py文件类似。
(3)lib/networks/VGGnet_train.py
import tensorflow as tf from networks.network import Network #define
# modified #n_classes = 21 n_classes = 2 _feat_stride = [16,] anchor_scales = [8, 16, 32]
(4)lib/networks/VGGnet_test.py，与VGGnet_train.py文件类似。
(5)tools/demo.py
import os, sys, cv2 import argparse from networks.factory import get_network
# modified #CLASSES = ('__background__', # 'aeroplane', 'bicycle', 'bird', 'boat', # 'bottle', 'bus', 'car', 'cat', 'chair', # 'cow', 'diningtable', 'dog', 'horse', # 'motorbike', 'person', 'pottedplant', # 'sheep', 'sofa', 'train', 'tvmonitor') CLASSES = ('__background__', 'person')
注：如果修改的.py文件有对应的.pyc文件，需要对pyc文件重新编译，方法为
import py_compile py_compile.compile(dir/filename)
3.执行训练的脚本
./experiments/scripts/faster_rcnn_end2end.sh $DEVICE $DEVICE_ID VGG16 pascal_voc