about
近期在做一個(gè)Object Detective的項(xiàng)目，這里用的是Caffe，如果同學(xué)你還沒裝上Caffe的話，可以參考我之前寫的文章：
Ubuntu 14.04LTS + Caffe+ CUDA8.0 + OpenCV 3.1.0 + cuDNN 8.0
在Caffe搭好了之后，再來看這篇。(這與之前Fast R-CNN 1.編譯配置的搭建差不多，近乎一樣)
Installation
clone py-faster-rcnn
這里，我們先下載Ross Girshick大神在Github上的一個(gè)庫。
# Make sure to clone with --recursive
$ git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git
如大神所言，記得加上--recursive
Build the Cython modules
從下文開始，我將用$FRCN_ROOT來代表上面git clone下來的文件目錄路徑。如直接放在home下，$FAST_ROOT被替換為/home/cap/py-faster-rcnn（注意，此處的cap是我的用戶名，應(yīng)該換成你自己的）
$ cd $FRCN_ROOT/lib
$ make
Build Caffe and pycaffe
在編譯之前，先來做下準(zhǔn)備工作。
把$FRCN_ROOT/caffe-fast-rcnn目錄下的Makefile.config.example文件復(fù)制一份，重命名為Makefile.config。
修改Makefile.config的相關(guān)項(xiàng)
...
USE_CUDNN = 1 //此項(xiàng)默認(rèn)是關(guān)閉的，若你安裝了cudnn，則把前面的#去掉，讓其支持cudnn.
WITH_PYTHON_LAYER = 1 //這項(xiàng)默認(rèn)也是關(guān)閉的，應(yīng)該打開，去掉前面的#
USE_PKG_CONFIG = 1 //此項(xiàng)默認(rèn)也是關(guān)閉的，應(yīng)該打開，去掉前面的#
# CPU_ONLY := 1 //此項(xiàng)默認(rèn)是關(guān)閉的，如果你的機(jī)器不支持gpu計(jì)算，則將其打開，去掉前面的注釋
CUDA_DIR := /usr/local/cuda //注意此項(xiàng)，應(yīng)該和你安裝的cuda的路徑相同
OPENCV_VERSION := 3 //此項(xiàng)默認(rèn)也是關(guān)閉的，應(yīng)該打開，去掉前面的#
BLAS := atlas //我不太確定這項(xiàng)是什么，貌似與先前搭建Caffe時(shí)有關(guān)，在此處選擇默認(rèn)的，即不用修改
在完成了前面的工作后，開始編譯pycaffe。
$ cd $FRCN_ROOT/caffe-fast-rcnn
$ make -j8 && make pycaffe
- 編譯pycaffe時(shí)，我的機(jī)器報(bào)錯(cuò)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
- 解決方法：
把OpenCV下的libippicv.a文件復(fù)制到/usr/local/lib目錄下，然后重新編譯pycaffe。具體操作如下：
復(fù)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
然后重新編譯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
此處是下載一些訓(xùn)練模型，在這篇博客里，我們先用作者已經(jīng)訓(xùn)練好的caffe模型，看下fast-rcnn的效果：
$ cd $FRCN_ROOT
$ ./data/scripts/fetch_faster_rcnn_models.sh
下載完后，在$FRCN_ROOT/data/faster_rcnn_models下有2個(gè)模型，分別為
.
├── VGG16_faster_rcnn_final.caffemodel
└── ZF_faster_rcnn_final.caffemodel
在$FRCN_ROOT/data/scripts下，有三個(gè)shell(即.sh)文件
.
├── fetch_faster_rcnn_models.sh
├── fetch_imagenet_models.sh
└── fetch_selective_search_data.sh
此處引用樓燚航同學(xué)的介紹：
第一是作者訓(xùn)練好的faster_rcnn模型，第二個(gè)是imagenet_model上預(yù)訓(xùn)練好的模型，第三個(gè)對應(yīng)著的是作者基于Pascal VOC數(shù)據(jù)集提取的selective_search預(yù)選框。如果想要看一下faster rcnn的效果，可以直接加載Ross訓(xùn)練好的faster_rcnn模型，如果要自己訓(xùn)練的話，記得加載imagenet模型
run the demo
在開始前，你可能需要先安裝相關(guān)的Python module
$ sudo pip2 install easydict
$ sudo pip2 install pyyaml
開始跑動(dòng)demo
cd $FRCN_ROOT
./tools/demo.py
如果你的gpu性能不加，那么可能出現(xiàn)類似如下的錯(cuò)誤
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)
- 解決辦法：
使用較小的網(wǎng)絡(luò)模型
$ cd $FRCN_ROOT
$ ./tools/demo.py --net zf
- 如果是你的機(jī)器不支持GPU，那么記得在前面的Makefile.config文件去掉 # CPU_ONLY := 1 前面的#，使用CPU計(jì)算，然后此處跑動(dòng)demo時(shí)，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]
參考
- Ross Girshick大神在Github上的搭建說明
小咸魚_同學(xué)的Faster-RCNN+ZF用自己的數(shù)據(jù)集訓(xùn)練模型(Python版本)
龐貝船長的Fast R-CNN 1.編譯配置
