对于已经画好bbox的图，如何构建target，如何用FastRCNN进行训练

对于已经画好bbox的图像，我们需要将每个bbox中的物体与其对应的类别进行标注，这些标注信息可以用来构建训练目标（target）。在Fast R-CNN中，每个训练样本由一张图像和若干个RoI（即Region of Interest，感兴趣区域）组成。每个RoI是一个矩形区域，它可能包含一个物体或者不包含任何物体。

为了构建训练目标，我们需要对每个RoI进行以下处理：

1.计算RoI与所有ground truth bbox之间的IoU（Intersection over Union），找到与RoI IoU最高的ground truth bbox，并将其对应的类别作为RoI的类别。

2.对于每个RoI，我们需要为其生成一个长度为K的类别向量（K为类别总数），其中RoI对应的类别的位置为1，其余位置为0。

3.同样对于每个RoI，我们还需要生成一个长度为4K的回归向量，其中前4个数表示RoI与其对应的ground truth bbox之间的偏移量，其余位置为0。

4.最后，我们将所有RoI的类别向量和回归向量合并起来作为训练样本的target。

在训练时，我们将输入图像和对应的RoIs送入网络中，网络将会输出每个RoI的类别概率和回归偏移量，我们将其与相应的target进行比较，计算损失函数并更新网络参数。