图片已经用绿色框画出了bbox，如何用FastRCNN进行训练

如果你已经用绿色框画出了 bounding box，那么你可以使用 Faster R-CNN 中的 Fast R-CNN 模块来训练目标检测模型。Fast R-CNN 使用 RoI 池化层来提取每个 RoI 区域的特征，并将这些特征送入全连接层进行分类和回归。

下面是一个简单的例子，展示如何使用 PyTorch 中的 torchvision.models.detection.fasterrcnn_resnet50_fpn 模型和 COCO 数据集中的预训练权重来训练目标检测模型：

import torch
import torchvision
from torch.utils.data import DataLoader

# 加载 COCO 数据集
dataset = torchvision.datasets.CocoDetection(root='/path/to/coco', annFile='/path/to/coco/annotations/instances_train2017.json')

# 定义模型和优化器
model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.005, momentum=0.9, weight_decay=0.0005)

# 将数据集和模型放到 GPU 上
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
model.to(device)

# 定义数据加载器
data_loader = DataLoader(dataset, batch_size=2, shuffle=True, collate_fn=lambda x: list(zip(*x)))

# 训练模型
for images, targets in data_loader:
    images = list(image.to(device) for image in images)
    targets = [{k: v.to(device) for k, v in t.items()} for t in targets]
    loss_dict = model(images, targets)
    losses = sum(loss for loss in loss_dict.values())
    optimizer.zero_grad()
    losses.backward()
    optimizer.step()

这段代码加载 COCO 数据集，并使用 `fasterrcnn_resnet50_fpn` 模型和 SGD 优化器进行训练。在训练之前，我们将数据集和模型都放到 GPU 上，然后使用 `DataLoader` 加载数据，并将数据和目标都转换为 GPU 上的张量。在训练过程中，每个批次的数据都会送入模型进行前向传播和反向传播，并更新模型的参数。

你需要根据自己的数据集和模型来修改代码，例如修改输入数据的维度和类别数目等。