Detectron目录结构

在detectron目录下一般会有如下几个比较重要的目录：
configs、
detectron(lib)、
tools

configs目录下

• 全部存放的是模型训练的各种yaml配置文件。
• 在detectron框架中进行训练及测试时，不同的配置文件决定了不同的算法模型结构及训练、测试参数。
• 官方给出了大量的示例yaml配置，这些配置在公开数据集上跑出的效果优异。
• 一般，我们可以针对自己实际情况进行修改。

tools目录下

• 主要存放detectron中的一些拓展功能脚本，
• 如train_net.py为训练过程的启动文件， test_net.py为测试过程的启动文件
• infer_simple.py允许根据yaml配置文件及训练好的模型对图片进行推断
• pickle_caffe_blobs.py文件可以根据caffe的模型文件及caffe的网络定义
• prototxt文件将caffe的模型转换为满足detectron格式要求的.pkl文件。

detectron(lib)

目录为整个工程的核心目录，其子目录有：

• core、
• datasets、
• modeling、
• opt、
• roi_data、
• tests、
• utils

core目录中

主要有

1. config.py文件
2. 生成rpn的rpn_generator.py
3. 部分测试核心代码test.py,test_engine.py,test_retinanet.py）,

datasets目录

顾名思义主要就是存放数据集以及与数据集读取、定义相关的文件。
这里主要支持coco数据集，
在datasets/data/coco目录下，一般分：

• Annotations
• coco_train/
• coco_val/
• coco_test

Annotations存放json格式的训练/验证/测试数据的图片名、ground truth、图片高宽等信息
coco_train/coco_val/coco_test中存放相应图片。

modeling目录下

主要存放模型定义的组成脚本，
如model_builder.py主要定义了算法的基本形式，这里主要有三种

• faster_rcnn、rfcn以及retinanet。
• FPN.py、resnet.py、vgg16.py、vgg_cnn_M_1024.py等文件定义了检测算法中特征提取网络部分，我们也可以根据需要自己添加或修改特征提取网络部分。
• fast_rcnn_heads.py 、mask_rcnn_heads.py、retinanet_head.py、rfcn_heads.py定义了各种头部
• roi_data目录中的文件主要定义detectron中数据的加载及处理细节，
• 其中loader.py定义了数据加载方式，
• minibatch.py定义数据进入网络前的增强及过滤方式，我们也可以根据需要修改源码加入想要的图片预处理。

utils目录下

文件包含较广泛，

• lr_policy.py定义了训练中的优化策略,
• net.py主要定义了以权重文件初始化网络及在各gpu中broadcast各层网络参数、及从内存中将权重文件保存到硬盘的细节。

参考 链接: 参考