py-faster-rcnn流程（6）——训练Fastrcnn网络二阶段

cfg.TRAIN.SNAPSHOT_INFIX = 'stage2'mp_kwargs = dict(        queue=mp_queue,        imdb_name=args.imdb_name,        init_model=str(rpn_stage2_out['model_path']),        solver=solvers[3],        max_iters=max_iters[3],        cfg=cfg,        rpn_file=rpn_stage2_out['proposal_path'])p = mp.Process(target=train_fast_rcnn, kwargs=mp_kwargs)p.start()fast_rcnn_stage2_out = mp_queue.get()p.join()
1
2
3
4
5
6
7
8
9
10
11
12
13

这一步基于模型M3和P2训练fast rcnn得到最终模型M4，这一步，conv层和rpn都是参数固定，只是训练了rcnn层（也就是全连接层），与stage1不同，stage1只是固定了rpn层，其他层还是有训练。模型结构与stage1相同。

输出最后模型

final_path = os.path.join(        os.path.dirname(fast_rcnn_stage2_out['model_path']),        args.net_name + '_faster_rcnn_final.caffemodel')print 'cp {} -> {}'.format(        fast_rcnn_stage2_out['model_path'], final_path)shutil.copy(fast_rcnn_stage2_out['model_path'], final_path)print 'Final model: {}'.format(final_path)
1
2
3
4
5
6
7

只是对上一步模型输出的一个拷贝。 
至此，整个faster-rcnn的训练过程就结束了。