Fast R-CNN 1.编译配置

2017-03-14 本文已影响1306人庞贝船长

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。

Installation

clone fast-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/fast-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/fast-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

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_fast_rcnn_models.sh

下载完后，在$FRCN_ROOT/data/fast_rcnn_models下有三个模型，分别为

.
├── caffenet_fast_rcnn_iter_40000.caffemodel
├── vgg16_fast_rcnn_iter_40000.caffemodel
└── vgg_cnn_m_1024_fast_rcnn_iter_40000.caffemodel

在$FRCN_ROOT/data/scripts下，有三个shell(即.sh)文件

.
├── fetch_fast_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fast_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fast rcnn的效果，可以直接加载Ross训练好的fast_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

开始跑动demo

cd $FRCN_ROOT
./tools/demo.py

运行结果:
结果跑出了３张图，这里贴出其中一张结果的效果图（很棒哟，兄弟）

demo

如果你的gpu性能不加，显存小于3G，那么可能出现类似如下的错误

Loaded network /home/hadoop/fast-rcnn/data/fast_rcnn_models/vgg16_fast_rcnn_iter_40000.caffemodel
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000004.jpg
F0314 16:28:23.588573  5987 syncedmem.cpp:51] Check failed: error == cudaSuccess (2 vs. 0)  out of memory
*** 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 caffenet

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,caffenet,vgg_cnn_m_1024}]
Train a Fast R-CNN network
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,caffenet,vgg_cnn_m_1024}
                        Network to use [vgg16]

参考

Ross Girshick大神在Github上的搭建说明
楼燚航同学的Fast RCNN 训练自己数据集 (1编译配置)
dengshuai_super同学的/usr/bin/ld: 找不到 -lippicv(ubuntu 16.04 LTS 安装opencv-3.1.0,含完整安装步骤)中的解决方案三