1.下载VOC数据集
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar
2.按照顺序解压VOC数据集，以防解压后格式错误
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar
3.解压后生成VOCdevkit目录，结构如下
$VOCdevkit/ # development kit
$VOCdevkit/VOCcode/ # VOC utility code
$VOCdevkit/VOC2007 # image sets, annotations, etc.
# ... and several other directories ...
4.在FRCN根路径下的data目录，创建VOCdevkit2007链接（快捷方式）
cd $FRCN_ROOT/data
ln -s $VOCdevkit VOCdevkit2007
5.下载预训练的VGG16网络.复制该网络文件到如下路径
mv VGG_imagenet.npy $FRCN_ROOT/data/pretrain_model/VGG_imagenet.npy
6.运行命令，训练模型测试模型
cd $FRCN_ROOT/experiments/scripts/faster_rcnn_end2end.sh $DEVICE $DEVICE_ID VGG16 pascal_voc
相关背景知识
-RCNN、Fast RCNN、Faster RCNN
1. RCNN到fast RCNN，再到faster RCNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。
图片发自简书App
2.原始特征提取（上图灰色方框）包含若干层conv+relu，直接套用ImageNet上常见的分类网络即可。如本文步骤5，就是直接调用VGG16
3.VGG16： VGG16 的叫法来自于 网络包含 16 层卷积，包括 13层的卷积+3层的全连接,如下图：
图片发自简书App
4.详细的结构信息的阅读参考：VGG16深度学习入门：https://blog.csdn.net/Errors_In_Life/article/details/65950699
- VOC2007结构详解
- 文件存放内容如下：
- Annotations目录下放的是标注文件，xml格式，这是用于目标检测任务的一个总的标注集合，里面存放有大而全的xml文件；具体是在ImageSets/Main目录中去划分训练机、验证集、测试集；
- JPEGImages目录下是所有的jpg图片；
- ImageSets目录下有3个子目录：Layout, Main, Segmentation
- Main 目录下每一行都是同一文件名+后缀（train、val、trainval、test），分别对应来自JPEGImages的同名文件和对应来自Annotation里的标注文件
