about
近期在做一个Object Detective的项目，这里用的是Caffe，如果同学你还没装上Caffe的话，可以参考我之前写的文章：
Ubuntu 14.04LTS + Caffe+ CUDA8.0 + OpenCV 3.1.0 + cuDNN 8.0
在Caffe搭好了之后，再来看这篇。(这与之前Fast R-CNN 1.编译配置的搭建差不多，近乎一样)
Installation
clone py-faster-rcnn
这里，我们先下载Ross Girshick大神在Github上的一个库。
# Make sure to clone with --recursive
$ git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git
如大神所言，记得加上–recursive
Build the Cython modules
从下文开始，我将用$FRCN_ROOT来代表上面git clone下来的文件目录路径。如直接放在home下，$FAST_ROOT被替换为/home/cap/py-faster-rcnn（注意，此处的cap是我的用户名，应该换成你自己的）
$ cd $FRCN_ROOT/lib
$ make
Build Caffe and pycaffe
在编译之前，先来做下准备工作。
把$FRCN_ROOT/caffe-fast-rcnn目录下的Makefile.config.example文件复制一份，重命名为Makefile.config。
修改Makefile.config的相关项
...
USE_CUDNN = 1 //此项默认是关闭的，若你安装了cudnn，则把前面的#去掉，让其支持cudnn.
WITH_PYTHON_LAYER = 1 //这项默认也是关闭的，应该打开，去掉前面的#
USE_PKG_CONFIG = 1 //此项默认也是关闭的，应该打开，去掉前面的#
# CPU_ONLY := 1 //此项默认是关闭的，如果你的机器不支持gpu计算，则将其打开，去掉前面的注释
CUDA_DIR := /usr/local/cuda //注意此项，应该和你安装的cuda的路径相同
OPENCV_VERSION := 3 //此项默认也是关闭的，应该打开，去掉前面的#
BLAS := atlas //我不太确定这项是什么，貌似与先前搭建Caffe时有关，在此处选择默认的，即不用修改
在完成了前面的工作后，开始编译pycaffe。
$ cd $FRCN_ROOT/caffe-fast-rcnn
$ make -j8 && make pycaffe
- 编译pycaffe时，我的机器报错了
AR -o .build_release/lib/libcaffe.a
LD -o .build_release/lib/libcaffe.so
/usr/bin/ld: cannot find -lippicv
collect2: error: ld returned 1 exit status
make: *** [.build_release/lib/libcaffe.so] Error 1
- 解决方法：
把OpenCV下的libippicv.a文件复制到/usr/local/lib目录下，然后重新编译pycaffe。具体操作如下：
复制libippicv.a文件
$ cd /usr/local/opencv-3.1.0/3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64
$ sudo cp libippicv.a /usr/local/lib
然后重新编译pycaffe
$ cd $FRCN_ROOT/caffe-fast-rcnn
$ make clean #清除前面的
$ make -j8 && make pycaffe
Download pre-computed Fast R-CNN detectors
此处是下载一些训练模型，在这篇博客里，我们先用作者已经训练好的caffe模型，看下fast-rcnn的效果：
$ cd $FRCN_ROOT
$ ./data/scripts/fetch_faster_rcnn_models.sh
下载完后，在$FRCN_ROOT/data/faster_rcnn_models下有2个模型，分别为
.
├── VGG16_faster_rcnn_final.caffemodel
└── ZF_faster_rcnn_final.caffemodel
在$FRCN_ROOT/data/scripts下，有三个shell(即.sh)文件
.
├── fetch_faster_rcnn_models.sh
├── fetch_imagenet_models.sh
└── fetch_selective_search_data.sh
此处引用楼燚航同学的介绍：
第一是作者训练好的faster_rcnn模型，第二个是imagenet_model上预训练好的模型，第三个对应着的是作者基于Pascal VOC数据集提取的selective_search预选框。如果想要看一下faster rcnn的效果，可以直接加载Ross训练好的faster_rcnn模型，如果要自己训练的话，记得加载imagenet模型
run the demo
在开始前，你可能需要先安装相关的Python module
$ sudo pip2 install easydict
$ sudo pip2 install pyyaml
开始跑动demo
cd $FRCN_ROOT
./tools/demo.py
如果你的gpu性能不加，那么可能出现类似如下的错误
Loaded network /home/hadoop/py-faster-rcnn/data/faster_rcnn_models/VGG16_faster_rcnn_final.caffemodel
F0319 16:20:55.433835 29960 relu_layer.cu:26] Check failed: error == cudaSuccess (9 vs. 0) invalid configuration argument
*** Check failure stack trace: ***
Aborted (core dumped)
- 解决办法：
使用较小的网络模型
$ cd $FRCN_ROOT
$ ./tools/demo.py --net zf
- 如果是你的机器不支持GPU，那么记得在前面的Makefile.config文件去掉 # CPU_ONLY := 1 前面的#，使用CPU计算，然后此处跑动demo时，敲入
$ cd $FRCN_ROOT
$ ./tools/demo.py --cpu
- 想了解更多的操作，敲入
$ cd $FRCN_ROOT
$ ./tools/demo.py -h
usage: demo.py [-h] [--gpu GPU_ID] [--cpu] [--net {vgg16,zf}]
Faster R-CNN demo
optional arguments:
-h, --help show this help message and exit
--gpu GPU_ID GPU device id to use [0]
--cpu Use CPU mode (overrides --gpu)
--net {vgg16,zf} Network to use [vgg16]
参考
- Ross Girshick大神在Github上的搭建说明
