首先推薦文章，裏面有講如何安裝fast-rcnn，以及編譯。
或者我直接把fast-rcnn的地址寫出來：https://github.com/rbgirshick/fast-rcnn
一.最後的demo.py（地址：https://github.com/rbgirshick/fast-rcnn/blob/master/tools/demo.py）的代碼解讀：
1.獲取參數類型得到訓練的類型，找到它的porototxt和model。
2.net=caffe.Net(c1,c2,c3)得到網絡c1是porototxt，c2是model，c3固定。
3.進入demo（網絡，圖片名字，檢測類別)方法
3.1soi加載“圖片_boxes.mat”,這是用selective search做的預處理文件。
3.2cv2加載圖片。
3.3fast_rcnn.test.im_detect(c1,c2,c3),c1是net網絡，c2是加載後的圖片，c3是加載後的預處理文件。但是fast_rcnn.test不知道是什麼。返回的是“分數，boxes”【】
4.畫出結果
4.1.由程序可知，CLASSES裏是根據voc寫的，因此順序不可改變。由類別名稱得到索引。
4.2.把這個索引對應的scores裏的分數定義一個閥值，把大於閥值的索引返回（where的語法仍然不對）
4.3.得到相應boxes的值，並把scores的值和boxes的值水平合併
4.4.送入畫圖函數
5.畫圖。
總結：
Fast RCNN中，提取OP的過程和訓練過程仍然是分離的。
在訓練過程中，需要用OP的方法先把圖像OP提取好，再送入Fast RCNN中訓練，
在檢測過程中也是如此需要先把相應的測試圖像的OP提取出來送入檢測。
閥值很重要，太大會導致有些圖識別得到object。太小又會識別太多（不必要的），哈哈，你試試就知道啦。
二、直接用它的代碼訓練自己的數據（簡單格式的）：
數據準備：
由代碼可以看出圖片放在了fast-rcnn主目錄下的/data/demo下，圖片後綴是'jpg';
另外我們還需要一個提取出來的op，即一個後綴名是mat的文件，它和圖片放在同一個目錄下。這個我們可以用網上的開源代碼，selective search。地址使用方法網站上有，如果使用中出錯請參考我的另一片文章。
but，其實呢，我最初給的那個博主的可以識別出來很多車的情況，我這是沒有的。大概忘了，貌似也就三四個的樣子。
估計你還想知道怎麼訓練自己的model，那個還需要自己先動手錶出真正的結果，因爲我當時也就試試，沒有真正的要用，所以就沒用那個 經歷去做了。
名詞解釋：ROI : Region of Interest
