Ubuntu 16.04使用Eclipse运行Caffe-SSD的cpp代码

前言

此篇博文将详细记录如何使用Eclipse C++运行并调试SSD代码，博主针对的是ssd_detect.cpp这个C++检测代码，而非SSD（caffe）框架本身。

一个现实问题是，在caffe文件夹下，调试cpp代码显得很困难，每次都要重新编译整个caffe，如想方便地调试和改写代码，其中简便的办法就是使用IDE。因此，对于大型C++工程而言，十分需要把SSD（caffe）作为一个可调用的库，通过写自己的cpp程序来调用caffe的接口函数，实现一整套的检测流程。

博主看了不少关于caffe for eclipse的文章，感觉都没有把整个过程说明白，有些教程甚至是错误的，于是决定成功实现后，自己动手写一篇。本教程适用于原版caffe和衍生的SSD项目，核心内容是如何在eclipse C++上配置SSD所需的caffe环境，以调用caffe C++接口。

安装编译SSD框架

首先需要成功编译SSD源代码，具体过程可以参看之前的博文 SSD:Single Shot MultiBox Detector的安装配置和运行 。

$ git clone https://github.com/weiliu89/caffe.git  
$ cd caffe  
$ git checkout ssd  

$ cp Makefile.config.example Makefile.config 
# 注意修改Makefile和makefile.config文件

$ make -j8
$ make distribute # 正常使用无需，本次试验必须
$ make pycaffe # 可选

下载安装Eclipse for C++

首先需要正确安装eclipse for C++，一般而言，不推荐使用apt-get的形式安装（会安装很多不必要的文件），我们去官网下载Eclipse IDE for C/C++ Developers ，选择64位的压缩包，解压后将得到的eclipse文件夹放在常用目录下，我是放在了/home目录下。

运行软件之前需要安装openjdk，因为eclipse是基于java语言的IDE，必须有java运行环境的支持，可以终端输入java -version 来查看，如确实未安装的话，可通过如下命令安装：

# 不开发java软件，就只需要java运行环境（Java Runtime Environment）
$ sudo apt-get install openjdk-8-jre 

然后运行软件./eclipse/eclipse ，现在就可以打开eclipse。

安装OpenCV-2.4.9

下载并编译源码

ssd_detect.cpp的代码中用到了opencv作为图像处理的库，由于博主caffe编译中所使用的opencv是通过apt-get的形式安装的，其安装位置不在/usr/local中，故而eclipse这种IDE是无法正常调用的。所以我们必须下载opencv源码进行安装。

这里吐槽下，百度查到的那些Ubuntu系统安装opencv的教程都坑的不行，经过反复试验，才终于找到了正确安装方法。

首先下载opencv源代码，版本没那么重要，但必须是opencv2的，这里选择了最多使用的opencv-2.4.9 ，下载压缩包，解压到常用文件夹，这里我的路径是~/tempfile文件夹中。

# 首先安装opencv所需依赖包
$ sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg62-dev libtiff5 libtiff5-dev cmake cmake-gui libswscale-dev libjasper-dev

$ cd ~/tempfile/opencv-2.4.9
$ mkdir build
$ cd build
$ cmake-gui

说明一下 ，许多教程包括opencv官网教程，都使用的是cmake直接配置，但是这样做，后面的make过程中往往会报错。因此我们使用cmake-gui工具进行配置，运行语句，出现如下的界面。

按照上图格式填写路径，然后点击Configure ，就会出现很多编译选项，重点来了，把WITH_CUDA和BUILD_opencv_gpu 这两个选项去掉，原因是用不到以及编译过程中会疯狂报错。然后点击Generate，再使用make命令编译安装，可以确保成功。

$ make -j8
$ sudo make install

默认安装位置就是/usr/local，不要修改。成功安装后，opencv的源文件和链接库文件分别存放在/usr/local/include 以及/usr/local/lib 之中。

配置OpenCV环境变量

这一步不是必须的，建议先使用程序测试openCV是否能使用，如果能用，貌似不加环境变量也行。

$ cd ~
$ gedit .profile # 打开文件
export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig # 文件最后添加此句
# 保存并退出文件
$ source /etc/profile # 使环境变量生效

$ sudo gedit /etc/ld.so.conf.d/opencv.conf # 打开并新建文件
/usr/local/lib # 空白文件内加入此句
# 保存并退出文件
$ sudo ldconfig # 使opecv的lib路径生效

经过上述流程，就可以在eclipse中使用opencv了，当然，仍需配置相应的include路径和lib文件。

安装glog，gflags，boost库

有朋友可能要问了，既然caffe都编译通过了，说明这三个库已经安装，为什么还要再重新单独安装呢？原因和上面的opencv类似，博主安装caffe参考教程是：ubuntu16.04+nvidia gt740m+cuda7.5+caffe安装、测试经历 ，在测试中，使用apt-get安装的这三个库在eclipse中无法调用，编译文件报错，如下图所示，这决定了我必须单独安装这三个库。

当然。如果你能正确识别相关函数，也可以不用安装；否则，请按照以下说明进行源码安装，默认安装位置都是/usr/local。

安装glog

glog是Google发布的一个开源日志库，在caffe中主要起到记录日志的作用，以便开发者查看caffe运行的中间输出结果。我们下载glog-0.3.3.tar.gz 版本，解压到常用文件夹，然后进行安装。

$ cd ~/tempfile/glog-0.3.3
$ ./configure
$ make -j8
$ sudo make install

安装gflags

gflags是Google发布的命令行参数工具，在caffe中主要作用是解析命令行参数，和protobuffer功能类似。我们下载gflags 2.2.0 版本，经测试2.1.1的版本make过程中出错，2.2.0则正常，解压到常用文件夹，然后安装。

$ cd ~/tempfile/gflags-2.2.0
$ mkdir build
$ cd build
$ cmake ..
$ ccmake ..

执行ccmake .. 命令后，会出现ccmake配置界面，如下图所示。

这里，将BUILD_SHARE_LIB 选项设为ON ，也有说倒数第二项也要设为ON，但我没设。然后按c键，出现文字界面后按e键返回，然后再按g键生成Makefile，继续安装。

$ make -j8
$ sudo make install

安装boost

boost也是一个很大的C++运行库，在caffe中主要使用了boost中的智能指针，pycaffe也用到了boost python，方便python调用C++模块。我们下载boost_1_58_0.tar.bz2 版本，解压后进行安装。

$ cd ~/tempfile/boost_1_58_0
# 只安装caffe需要的3个组件，全部安装十分耗时，还可能报错
$ ./bootstrap.sh --with-libraries=system,thread,python
$ ./b2
$ sudo ./b2 install

新建Eclipse C++工程

完成以上步骤，我们就可以新建工程来运行和调试cpp代码了。

新建工程

启动eclipse，新建一个C++ project：File ->New ->C++ Project，选择建立一个空的Linux GCC工程并命名，如下图：

添加源文件：File ->New ->Source File

复制~/caffe/examples/ssd/ssd_detect.cpp的所有内容到新建的main.cpp文件中。

#include <caffe/caffe.hpp>
#ifdef USE_OPENCV
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#endif  // USE_OPENCV
#include <algorithm>
#include <iomanip>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>

#ifdef USE_OPENCV
using namespace caffe;  // NOLINT(build/namespaces)

class Detector {
 public:
  Detector(const string& model_file,
           const string& weights_file,
           const string& mean_file,
           const string& mean_value);

  std::vector<vector<float> > Detect(const cv::Mat& img);

 private:
  void SetMean(const string& mean_file, const string& mean_value);

  void WrapInputLayer(std::vector<cv::Mat>* input_channels);

  void Preprocess(const cv::Mat& img,
                  std::vector<cv::Mat>* input_channels);

 private:
  shared_ptr<Net<float> > net_;
  cv::Size input_geometry_;
  int num_channels_;
  cv::Mat mean_;
};

Detector::Detector(const string& model_file,
                   const string& weights_file,
                   const string& mean_file,
                   const string& mean_value) {
#ifdef CPU_ONLY
  Caffe::set_mode(Caffe::CPU);
#else
  Caffe::set_mode(Caffe::GPU);
#endif

  /* Load the network. */
  net_.reset(new Net<float>(model_file, TEST));
  net_->CopyTrainedLayersFrom(weights_file);

  CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";
  CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";

  Blob<float>* input_layer = net_->input_blobs()[0];
  num_channels_ = input_layer->channels();
  CHECK(num_channels_ == 3 || num_channels_ == 1)
    << "Input layer should have 1 or 3 channels.";
  input_geometry_ = cv::Size(input_layer->width(), input_layer->height());

  /* Load the binaryproto mean file. */
  SetMean(mean_file, mean_value);
}

std::vector<vector<float> > Detector::Detect(const cv::Mat& img) {
  Blob<float>* input_layer = net_->input_blobs()[0];
  input_layer->Reshape(1, num_channels_,
                       input_geometry_.height, input_geometry_.width);
  /* Forward dimension change to all layers. */
  net_->Reshape();

  std::vector<cv::Mat> input_channels;
  WrapInputLayer(&input_channels);

  Preprocess(img, &input_channels);

  net_->Forward();

  /* Copy the output layer to a std::vector */
  Blob<float>* result_blob = net_->output_blobs()[0];
  const float* result = result_blob->cpu_data();
  const int num_det = result_blob->height();
  vector<vector<float> > detections;
  for (int k = 0; k < num_det; ++k) {
    if (result[0] == -1) {
      // Skip invalid detection.
      result += 7;
      continue;
    }
    vector<float> detection(result, result + 7);
    detections.push_back(detection);
    result += 7;
  }
  return detections;
}

/* Load the mean file in binaryproto format. */
void Detector::SetMean(const string& mean_file, const string& mean_value) {
  cv::Scalar channel_mean;
  if (!mean_file.empty()) {
    CHECK(mean_value.empty()) <<
      "Cannot specify mean_file and mean_value at the same time";
    BlobProto blob_proto;
    ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);

    /* Convert from BlobProto to Blob<float> */
    Blob<float> mean_blob;
    mean_blob.FromProto(blob_proto);
    CHECK_EQ(mean_blob.channels(), num_channels_)
      << "Number of channels of mean file doesn't match input layer.";

    /* The format of the mean file is planar 32-bit float BGR or grayscale. */
    std::vector<cv::Mat> channels;
    float* data = mean_blob.mutable_cpu_data();
    for (int i = 0; i < num_channels_; ++i) {
      /* Extract an individual channel. */
      cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);
      channels.push_back(channel);
      data += mean_blob.height() * mean_blob.width();
    }

    /* Merge the separate channels into a single image. */
    cv::Mat mean;
    cv::merge(channels, mean);

    /* Compute the global mean pixel value and create a mean image
     * filled with this value. */
    channel_mean = cv::mean(mean);
    mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);
  }
  if (!mean_value.empty()) {
    CHECK(mean_file.empty()) <<
      "Cannot specify mean_file and mean_value at the same time";
    stringstream ss(mean_value);
    vector<float> values;
    string item;
    while (getline(ss, item, ',')) {
      float value = std::atof(item.c_str());
      values.push_back(value);
    }
    CHECK(values.size() == 1 || values.size() == num_channels_) <<
      "Specify either 1 mean_value or as many as channels: " << num_channels_;

    std::vector<cv::Mat> channels;
    for (int i = 0; i < num_channels_; ++i) {
      /* Extract an individual channel. */
      cv::Mat channel(input_geometry_.height, input_geometry_.width, CV_32FC1,
          cv::Scalar(values[i]));
      channels.push_back(channel);
    }
    cv::merge(channels, mean_);
  }
}

/* Wrap the input layer of the network in separate cv::Mat objects
 * (one per channel). This way we save one memcpy operation and we
 * don't need to rely on cudaMemcpy2D. The last preprocessing
 * operation will write the separate channels directly to the input
 * layer. */
void Detector::WrapInputLayer(std::vector<cv::Mat>* input_channels) {
  Blob<float>* input_layer = net_->input_blobs()[0];

  int width = input_layer->width();
  int height = input_layer->height();
  float* input_data = input_layer->mutable_cpu_data();
  for (int i = 0; i < input_layer->channels(); ++i) {
    cv::Mat channel(height, width, CV_32FC1, input_data);
    input_channels->push_back(channel);
    input_data += width * height;
  }
}

void Detector::Preprocess(const cv::Mat& img,
                            std::vector<cv::Mat>* input_channels) {
  /* Convert the input image to the input image format of the network. */
  cv::Mat sample;
  if (img.channels() == 3 && num_channels_ == 1)
    cv::cvtColor(img, sample, cv::COLOR_BGR2GRAY);
  else if (img.channels() == 4 && num_channels_ == 1)
    cv::cvtColor(img, sample, cv::COLOR_BGRA2GRAY);
  else if (img.channels() == 4 && num_channels_ == 3)
    cv::cvtColor(img, sample, cv::COLOR_BGRA2BGR);
  else if (img.channels() == 1 && num_channels_ == 3)
    cv::cvtColor(img, sample, cv::COLOR_GRAY2BGR);
  else
    sample = img;

  cv::Mat sample_resized;
  if (sample.size() != input_geometry_)
    cv::resize(sample, sample_resized, input_geometry_);
  else
    sample_resized = sample;

  cv::Mat sample_float;
  if (num_channels_ == 3)
    sample_resized.convertTo(sample_float, CV_32FC3);
  else
    sample_resized.convertTo(sample_float, CV_32FC1);

  cv::Mat sample_normalized;
  cv::subtract(sample_float, mean_, sample_normalized);

  /* This operation will write the separate BGR planes directly to the
   * input layer of the network because it is wrapped by the cv::Mat
   * objects in input_channels. */
  cv::split(sample_normalized, *input_channels);

  CHECK(reinterpret_cast<float*>(input_channels->at(0).data)
        == net_->input_blobs()[0]->cpu_data())
    << "Input channels are not wrapping the input layer of the network.";
}

DEFINE_string(mean_file, "",
    "The mean file used to subtract from the input image.");
DEFINE_string(mean_value, "104,117,123",
    "If specified, can be one value or can be same as image channels"
    " - would subtract from the corresponding channel). Separated by ','."
    "Either mean_file or mean_value should be provided, not both.");
DEFINE_string(file_type, "image",
    "The file type in the list_file. Currently support image and video.");
DEFINE_string(out_file, "",
    "If provided, store the detection results in the out_file.");
DEFINE_double(confidence_threshold, 0.01,
    "Only store detections with score higher than the threshold.");

int main(int argc, char** argv) {
  ::google::InitGoogleLogging(argv[0]);
  // Print output to stderr (while still logging)
  FLAGS_alsologtostderr = 1;

#ifndef GFLAGS_GFLAGS_H_
  namespace gflags = google;
#endif

  gflags::SetUsageMessage("Do detection using SSD mode.\n"
        "Usage:\n"
        "    ssd_detect [FLAGS] model_file weights_file list_file\n");
  gflags::ParseCommandLineFlags(&argc, &argv, true);

  if (argc < 4) {
    gflags::ShowUsageWithFlagsRestrict(argv[0], "examples/ssd/ssd_detect");
    return 1;
  }

  const string& model_file = argv[1];
  const string& weights_file = argv[2];
  const string& mean_file = FLAGS_mean_file;
  const string& mean_value = FLAGS_mean_value;
  const string& file_type = FLAGS_file_type;
  const string& out_file = FLAGS_out_file;
  const float confidence_threshold = FLAGS_confidence_threshold;

  // Initialize the network.
  Detector detector(model_file, weights_file, mean_file, mean_value);

  // Set the output mode.
  std::streambuf* buf = std::cout.rdbuf();
  std::ofstream outfile;
  if (!out_file.empty()) {
    outfile.open(out_file.c_str());
    if (outfile.good()) {
      buf = outfile.rdbuf();
    }
  }
  std::ostream out(buf);

  // Process image one by one.
  std::ifstream infile(argv[3]);
  std::string file;
  while (infile >> file) {
    if (file_type == "image") {
      cv::Mat img = cv::imread(file, -1);
      CHECK(!img.empty()) << "Unable to decode image " << file;
      std::vector<vector<float> > detections = detector.Detect(img);

      /* Print the detection results. */
      for (int i = 0; i < detections.size(); ++i) {
        const vector<float>& d = detections[i];
        // Detection format: [image_id, label, score, xmin, ymin, xmax, ymax].
        CHECK_EQ(d.size(), 7);
        const float score = d[2];
        if (score >= confidence_threshold) {
          out << file << " ";
          out << static_cast<int>(d[1]) << " ";
          out << score << " ";
          out << static_cast<int>(d[3] * img.cols) << " ";
          out << static_cast<int>(d[4] * img.rows) << " ";
          out << static_cast<int>(d[5] * img.cols) << " ";
          out << static_cast<int>(d[6] * img.rows) << std::endl;
        }
      }
    } else if (file_type == "video") {
      cv::VideoCapture cap(file);
      if (!cap.isOpened()) {
        LOG(FATAL) << "Failed to open video: " << file;
      }
      cv::Mat img;
      int frame_count = 0;
      while (true) {
        bool success = cap.read(img);
        if (!success) {
          LOG(INFO) << "Process " << frame_count << " frames from " << file;
          break;
        }
        CHECK(!img.empty()) << "Error when read frame";
        std::vector<vector<float> > detections = detector.Detect(img);

        /* Print the detection results. */
        for (int i = 0; i < detections.size(); ++i) {
          const vector<float>& d = detections[i];
          // Detection format: [image_id, label, score, xmin, ymin, xmax, ymax].
          CHECK_EQ(d.size(), 7);
          const float score = d[2];
          if (score >= confidence_threshold) {
            out << file << "_";
            out << std::setfill('0') << std::setw(6) << frame_count << " ";
            out << static_cast<int>(d[1]) << " ";
            out << score << " ";
            out << static_cast<int>(d[3] * img.cols) << " ";
            out << static_cast<int>(d[4] * img.rows) << " ";
            out << static_cast<int>(d[5] * img.cols) << " ";
            out << static_cast<int>(d[6] * img.rows) << std::endl;
          }
        }
        ++frame_count;
      }
      if (cap.isOpened()) {
        cap.release();
      }
    } else {
      LOG(FATAL) << "Unknown file_type: " << file_type;
    }
  }
  return 0;
}
#else
int main(int argc, char** argv) {
  LOG(FATAL) << "This example requires OpenCV; compile with USE_OPENCV.";
}
#endif  // USE_OPENCV

配置C/C++环境变量

这一步很关键，缺少环境变量的话，eclipse无法识别C/C++函数，就连基本的cin和cout都会报错。

Windows->Preference->C/C++->Build->Enviroment ，添加两条环境变量：

C_INCLUDE_PATH=/usr/include
CPLUS_INCLUDE_PATH=/usr/include/c++/5.4.0

加载头文件

定位到：Project -> Properties ->C/C++ Build -> Settings ->GCC C++ Compiler -> Includes，然后在Include paths(-I)中添加如下路径。

/home/mx/caffe/include
/home/mx/caffe/distribute/include
/usr/local/cuda-7.5/include
/usr/local/include
/usr/local/include/opencv
/usr/local/include/boost
/usr/local/include/glog
/usr/local/include/gflags

效果如下图所示：

加载库文件

首先定位到：Project -> Properties ->C/C++ Build -> Settings ->GCC C++ Linker -> Libraries，在Libraries(-I)中添加所需的库，至于opencv，我只加载了程序引用的的3个库。

caffe
opencv_core
opencv_highgui
opencv_imgproc
glog
gflags
boost_system

在Library search path(-I)中添加库路径。

/home/mx/caffe/build/lib # caffe库路径
/usr/local/cuda-7.5/lib # cuda库路径
/usr/local/lib # opencv，boost，glog，gflags库路径

效果如下图所示：

然后定位到：Project -> Properties ->C/C++ Build -> Settings ->GCC C++ Linker -> Miscellaneous，在Other Objects中添加程序所需的共享对象库。

/home/mx/caffe/.build_release/lib/libcaffe.so
/usr/local/lib/libboost_system.so
/usr/local/lib/libglog.so
/usr/local/lib/libgflags.so

然后在Other options中添加如下语句.

-R/usr/local/lib

效果如下图所示：

设置标志位参数

ssd_detect.cpp中定义了两个宏，分别控制是否使用opencv和是否使用cpu模式，这里我的选择是要使用opencv，不使用cpu模式（使用gpu）。那么定位到：Project -> Properties ->C/C++ Build -> Settings ->GCC C++ Compiler -> Preprocessor ，在Define symbols(-D)中添加标志位。

CPU_ONLY=0 # 感觉多余，我没添加，仍然为GPU模式
USE_OPENCV=1 # 这条必要

运行程序

添加完头文件和库文件，就可以开始编译程序了：Project->Build Project，如果一切顺利，编译过程不会报错，最多有几个warning；如果有错，可以参看后文的常见错误总结。

编译成功，就可以运行程序了，由于此程序使用了argc和argv作为参数传递的入口，因此我们需要在eclipse中添加所需argv参数。在工程栏点击右键，定位到：Run as->Run Configurations，接着弹出菜单，在C/C++ Application->Auguments中添加3条语句，分别作为argv[1][2][3]（argv[0]是程序名，自动添加），如下图所示。

/home/mx/caffe/models/VGGNet/VOC0712/SSD_300x300/deploy.prototxt # argv[1]
/home/mx/caffe/models/VGGNet/VOC0712/SSD_300x300/VGG_VOC0712_SSD_300x300_iter_120000.caffemodel # argv[2]
/home/mx/caffe/examples/images/list.txt # argv[3]

提示：list.txt文件每一行都是待检测图片的路径，比如/home/mx/caffe/examples/images/cat.jpg

添加参数后，点击Apply，接着点击Run，程序就可以运行了，博主的运行结果如下图。

至此，eclipse的caffe配置已经全部完成了，后面就可以根据此配置，进行单步调试，修改代码等等操作了。

常见错误总结

最后的最后，博主总结了网上和自己配置中常见的各种错误，以供参考，如出现新的错误类型也会跟新在博客中。

Error1:/usr/include/boost/system/error_code.hpp:222：‘boost::system::generic_category()' 未定义的引用

错误原因，没有在/usr/local安装boost库，请参考本文进行安装，并添加相应路径。

---

Error2: 'cublas_v2.h: No such file or directory'

错误原因，没有添加cuda的头文件和库文件，添加了就不会报错。

---

Error3:**undefined reference to symbol '_ZN6google4base21CheckOpMessageBuilder7ForVar2Ev'

错误原因，程序找不到glog和gflags库，所以应该安装这两个库，并添加其路径。

---

Error4:/usr/lib/x86_64-linux-gnu/libglog.so.0: error adding symbols:DSO misssing from command line

错误原因，没有添加正确的glog共享对象库，应该在Miscellaneous->Other Objects中添加/usr/local/lib/libglog.so，同时Libraries(-I)中添加glog。

---

Error5:error while loading shared libraries :libcaffe.so.10.0-rc3:cannot open share

错误原因，缺失libcaffe.so.1.0.0-rc3库或者没有设置共享库路径，如果caffe中存在这个库，那么可以这样做：

cd /etc/ld.so.conf.d
sudo gedit caffe.conf 
# 打开的的conf文件加入/home/mx/caffe/.build_release/lib，保存退出
sudo ldconfig

——————–分割线——————–

忙活半天，事后发现eclipse配置caffe环境的步骤真是繁琐，而使用Qt Creator进行配置则要简单得多，悔不该早日发现Qt这一神器，感觉身体被掏空。。。