Caffe移植到windows

最新推荐文章于 2018-11-01 11:48:53 发布
最新推荐文章于 2018-11-01 11:48:53 发布
阅读量1k 收藏 2
点赞数
分类专栏： Caffe 文章标签： caffe
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bjailihong/article/details/78160586
版权

一、前言

Caffe是一个很棒的深度学习框架，值得花时间学习和分享，最近在做移植的工作，有必要做一个总结，俗话说的好，好记性不如C博。

我的开发环境是：windows7 64位、gpu 1080ti、opencv2.4.11、boost1.61.0

二、依赖库

1、安装OpenCV

可以参考博客OpenCV在VS中的配置

2、安装boost

可以参考博客编译并使用boost库(win7+boost1.60+vs2013)

3、安装cuda

可以参考博客对应部分win7+1080ti+cuda8.0+cudnn5.0+caffe安装

4、下载其他库

比较常用的是Neil Z. SHAO提供的已编译好的库，风翼冰舟提供的百度云下载地址，链接：http://pan.baidu.com/s/1eSku9aE 密码：qrj7。

解压之后有两个文件夹，新建一个文件夹这里命名为caffe_in_windows，将3rdparty文件夹拖进caffe_in_windows中。

三、Caffe在VS中的配置、编译

接下来分两部分说，第一部分配置编译libcaffe，我用到的相关文件下载地址：链接：http://pan.baidu.com/s/1pLnho0N 密码：e580

1、下载官方最新的caffe源文件，地址https://github.com/BVLC/caffe。

2、将caffe-master内部所有文件放进caffe_in_windows文件夹。

3、新建caffe_in_windows/windows文件夹，在windows文件夹下新建一个VS控制台空白工程，命名为Caffe，然后添加一个lib工程，命名为libcaffe。

4、打开VIEW->Other Windows->Property Manager属性管理窗口。

5、右键libcaffe工程打开属性窗口，将平台改为x64

6、在属性窗口中找到General->Output Directory，在Debug和Release均将其修改为

$(SolutionDir)..\$(Platform)\$(Configuration)\
7、找到C/C++->General->Additional Include Directories，在Debug和Release均添加以下路径 

$(Boost_path)
$(CUDA_PATH)\include
$(SolutionDir)..\..\src
$(SolutionDir)..\..\include
$(OpenCV_build_path)\include
$(OpenCV_build_path)\include\opencv
$(OpenCV_build_path)\include\opencv2
$(SolutionDir)..\..\3rdparty\include
$(SolutionDir)..\..\3rdparty\include\lmdb
$(SolutionDir)..\..\3rdparty\include\hdf5
$(SolutionDir)..\..\3rdparty\include\openblas
其中$(SolutionDir)代表解决方案.sln所在的路径，其余的$(XXX)都代表电脑的相关路径，可以在系统变量中新建对应变量，将路径添加进去，然后在path变量末尾添加系统变量，程序运行时就能找到对应的dll。

8、找到Librarian->General->Additional Library Directories，在Debug和Release均添加以下路径

$(CUDA_LIB_PATH)
$(Boost_lib_path)
$(SolutionDir)..\..\3rdparty\lib
$(OpenCV_build_path)\x64\vc12\lib
9、找到Librarian->General->Additional Dependencies，在Debug模式下添加以下依赖 
opencv_core2411d.lib;
opencv_calib3d2411d.lib;
opencv_contrib2411d.lib;
opencv_flann2411d.lib;
opencv_highgui2411d.lib;
opencv_imgproc2411d.lib;
opencv_legacy2411d.lib;
opencv_ml2411d.lib;
opencv_gpu2411d.lib;
opencv_objdetect2411d.lib;
opencv_photo2411d.lib;
opencv_features2d2411d.lib;
opencv_nonfree2411d.lib;
opencv_stitching2411d.lib;
opencv_video2411d.lib;
opencv_videostab2411d.lib;
cudart.lib;
cuda.lib;
nppi.lib;
cufft.lib;
cublas.lib;
curand.lib;
在Release下添加以下依赖 

opencv_core2411.lib;
opencv_calib3d2411.lib;
opencv_contrib2411.lib;
opencv_flann2411.lib;
opencv_highgui2411.lib;
opencv_imgproc2411.lib;
opencv_legacy2411.lib;
opencv_ml2411.lib;
opencv_gpu2411.lib;
opencv_objdetect2411.lib;
opencv_photo2411.lib;
opencv_features2d2411.lib;
opencv_nonfree2411.lib;
opencv_stitching2411.lib;
opencv_video2411.lib;
opencv_videostab2411.lib;
cudart.lib;
cuda.lib;
nppi.lib;
cufft.lib;
cublas.lib;
curand.lib;

10、新建windows\scripts文件夹，将ProtoCompile.cmd放进windows\scripts中，在属性窗口中找到Build Events -> Pre-Build Event -> Command Line，在debug和Release模型下均添加

"$(SolutionDir)..\scripts\ProtoCompile.cmd" "$(SolutionDir)" "$(SolutionDir)..\..\3rdparty\bin\"

编译libcaffe工程，可以看到输出窗口已经生成了caffe.pb.h、caffe.pb.cc

11、将src/caffe下的所有文件添加进libcaffe


12、打开common.cpp，在开头添加

#if defined(_MSC_VER)
#include <process.h>
#define getpid() _getpid()
#endif
找到::google::InstallFailureSignalHandler();所在的行，改为 

#if !defined(_MSC_VER)
  ::google::InstallFailureSignalHandler();
#endif
在属性窗口找到C/C++->Precompiled Header->Precompiled Header，改为Not Using Precompiled Headers

找到C/C++->Advanced->Disable Specific Warnings，添加4996/4703
找到C/C++->Preprocessor->Preprocessor Definitions，添加

_CRT_SECURE_NO_WARNINGS
USE_OPENCV
USE_CUDNN
USE_LEVELDB
USE_LMDB

13、打开layers/bnll_layer.cu，在开头找到const float kBNLL_THRESHOLD = 50.;所在的行，改为

//const float kBNLL_THRESHOLD = 50.;
#define kBNLL_THRESHOLD 50.0
14、打开util/io.cpp，在开头添加 

#if defined(_MSC_VER)
#include <io.h>
#endif
15、打开util/signal_handler.cpp，在第16行左右的地方，修改为 

#ifdef _MSC_VER
	case SIGBREAK:  // there is no SIGHUP in windows, take SIGBREAK instead.
		got_sighup = true;
		break;
#else
	case SIGHUP:
		got_sighup = true;
		break;
#endif
在第36行左右的地方，修改为 
#ifdef _MSC_VER
	if (signal(SIGBREAK, handle_signal) == SIG_ERR) {
		LOG(FATAL) << "Cannot install SIGBREAK handler.";
	}
	if (signal(SIGINT, handle_signal) == SIG_ERR) {
		LOG(FATAL) << "Cannot install SIGINT handler.";
	}
#else
	struct sigaction sa;
	// Setup the handler
	sa.sa_handler = &handle_signal;
	// Restart the system call, if at all possible
	sa.sa_flags = SA_RESTART;
	// Block every signal during the handler
	sigfillset(&sa.sa_mask);
	// Intercept SIGHUP and SIGINT
	if (sigaction(SIGHUP, &sa, NULL) == -1) {
		LOG(FATAL) << "Cannot install SIGHUP handler.";
	}
	if (sigaction(SIGINT, &sa, NULL) == -1) {
		LOG(FATAL) << "Cannot install SIGINT handler.";
	}
#endif
在第64行左右的地方，修改为 
#ifdef _MSC_VER
		if (signal(SIGBREAK, SIG_DFL) == SIG_ERR) {
			LOG(FATAL) << "Cannot uninstall SIGBREAK handler.";
		}
		if (signal(SIGINT, SIG_DFL) == SIG_ERR) {
			LOG(FATAL) << "Cannot uninstall SIGINT handler.";
		}
#else
		struct sigaction sa;
		// Setup the sighub handler
		sa.sa_handler = SIG_DFL;
		// Restart the system call, if at all possible
		sa.sa_flags = SA_RESTART;
		// Block every signal during the handler
		sigfillset(&sa.sa_mask);
		// Intercept SIGHUP and SIGINT
		if (sigaction(SIGHUP, &sa, NULL) == -1) {
			LOG(FATAL) << "Cannot uninstall SIGHUP handler.";
		}
		if (sigaction(SIGINT, &sa, NULL) == -1) {
			LOG(FATAL) << "Cannot uninstall SIGINT handler.";
		}
#endif
16、打开util/db_lmdb.cpp，在开头添加 

#if defined(_MSC_VER)
#include <direct.h>
#define mkdir(X, Y) _mkdir(X)
#endif
17、打开proto/caffe.pb.cc，将 
#include "caffe.pb.h"
改为 

#include "caffe/proto/caffe.pb.h"
至此，libcaffe工程应该没有什么错误了，可以先一个一个.cpp、.cu文件编译看有没有错误，.cu文件需要右键属性，在General->Item Type中将其修改为CUDA C/C++，并且所有的.cu文件都需要修改，可以按住Ctrl选中所有的cu文件，然后一次性修改Type。没有错误的话，可以编译libcaffe工程了，应该没有太大问题。

现在开始配置编译Caffe工程

1、右键Caffe工程打开属性窗口，将平台改为x64

2、在属性窗口中找到General->Output Directory，在Debug和Release均将其修改为

$(SolutionDir)..\$(Platform)\$(Configuration)\

3、找到General->Character Set，将其改为使用多字节字符

4、找到C/C++->SDL checks，更改为no

5、找到VC++ Directories->Include Directories，在Debug和Release均添加以下路径

$(Boost_path)
$(CUDA_PATH)\include
$(SolutionDir)..\..\include
$(OpenCV_build_path)\include
$(OpenCV_build_path)\include\opencv
$(OpenCV_build_path)\include\opencv2
$(SolutionDir)..\..\3rdparty\include
$(SolutionDir)..\..\3rdparty\include\lmdb
$(SolutionDir)..\..\3rdparty\include\hdf5
$(SolutionDir)..\..\3rdparty\include\openblas

6、找到VC++ Directories->Library Directories，在Debug和Release均添加以下路径 
$(OutDir)
$(CUDA_LIB_PATH)
$(Boost_lib_path)
$(SolutionDir)..\..\3rdparty\lib
$(OpenCV_build_path)\x64\vc12\lib
7、找到Linker->Input->Additional Dependencies，在Debug模型下添加以下依赖 

libcaffe.lib
opencv_core2411d.lib
opencv_calib3d2411d.lib
opencv_contrib2411d.lib
opencv_flann2411d.lib
opencv_highgui2411d.lib
opencv_imgproc2411d.lib
opencv_legacy2411d.lib
opencv_ml2411d.lib
opencv_gpu2411d.lib
opencv_objdetect2411d.lib
opencv_photo2411d.lib
opencv_features2d2411d.lib
opencv_nonfree2411d.lib
opencv_stitching2411d.lib
opencv_video2411d.lib
opencv_videostab2411d.lib
cudart.lib
cuda.lib
nppi.lib
cufft.lib
cublas.lib
curand.lib
gflagsd.lib
leveldbd.lib
libglog.lib
libhdf5_D.lib
libhdf5_hl_D.lib
libopenblas.dll.a
libprotobufd.lib
lmdbd.lib
boost_system-vc120-mt-gd-1_61.lib
boost_chrono-vc120-mt-gd-1_61.lib
boost_date_time-vc120-mt-gd-1_61.lib
boost_filesystem-vc120-mt-gd-1_61.lib
boost_thread-vc120-mt-gd-1_61.lib
Shlwapi.lib
在Release模式下添加 

libcaffe.lib
opencv_core2411.lib
opencv_calib3d2411.lib
opencv_contrib2411.lib
opencv_flann2411.lib
opencv_highgui2411.lib
opencv_imgproc2411.lib
opencv_legacy2411.lib
opencv_ml2411.lib
opencv_gpu2411.lib
opencv_objdetect2411.lib
opencv_photo2411.lib
opencv_features2d2411.lib
opencv_nonfree2411.lib
opencv_stitching2411.lib
opencv_video2411.lib
opencv_videostab2411.lib
cudart.lib
cuda.lib
nppi.lib
cufft.lib
cublas.lib
curand.lib
gflags.lib
leveldb.lib
libglog.lib
libhdf5.lib
libhdf5_hl.lib
libopenblas.dll.a
libprotobuf.lib
lmdb.lib
boost_system-vc120-mt-1_61.lib
boost_chrono-vc120-mt-1_61.lib
boost_date_time-vc120-mt-1_61.lib
boost_filesystem-vc120-mt-1_61.lib
boost_thread-vc120-mt-1_61.lib
Shlwapi.lib

编译Caffe工程，应该没有太大问题，如果没有配置对的话，可能会出现应用程序无法正常启动的错误。

这是release模式下的运行结果

这是debug模式下运行结果


四、参考文献

我主要用到了两篇博客，在这里表示感谢

【caffe-windows】Linux至Windows平台的caffe移植

Build Caffe in Windows with Visual Studio 2013 + CUDA 6.5 + OpenCV 2.4.9


bjailihong
关注
专栏目录
Caffe在window下的安装
qq_39629993的博客
09-06 328
环境： window10 VS2013 matlab2016 caffe的安装对VS版本要求好像比较高，最开始用vs2019失败，后来不断找资料，大部分人都是使用VS2013。 1、caffe的下载到github找就有，或者直接使用我的 2、 ...
caffe windows 配置过程
nathan1025的博客
09-05 1271
https://github.com/happynear/caffe-windows 1.首先请选择cuda9.0 ，cudNN7.05，虽然按照下图有矛盾之处（cuda8.0） 2.只需要libcaffe.lib即可 3.拷贝classification.cpp文件到新工程下，将其分解为.h以及新的.cpp 4.依赖文件：   4.1 拷贝caffe-windows/inclu...
转 Windows+VS2013爆详细Caffe编译安装教程
wangchaoqi1985的博客
08-18 207
1. 安装cuda Cuda是英伟达推出的GPU加速运算平台 我这里安装的是cuda7.5,已经安装过的忽略,还没有安装过的这里有安装教程.windows下面安装还是非常简单的.
基于Qt的Caffe界面
安娜的修行
06-09 3801
声明:请不要将下文中的图片下载保存用于其他用途,学了一段时间机器学习,也用Caffe跑了一些模型,感觉Caffe的命令行很烦,有的命令记不住,想看看数据集里面有什么,但是网上找到的工具和代码很少有好用的,Windows平台上更是几乎没有,于是作为Windows党的我就做了一个Caffe的壳,把那些功能都做了一个界面.功能: 目录管理 神经网络的训练,测试,特征导出 数据格式转换(从Cifar,Mni
QT中调用caffe的pro写法
lsn_sgj的博客
04-09 1563
INCLUDEPATH+= /usr/local/include \/usr/local/include/opencv \/usr/local/include/opencv2 \/home/lsn/Software/caffe-master/include \/home/lsn/Software/caffe-master/build/src \/usr/lib/x86_64-linux-gnu \...
caffe的windows官方移植版
05-18
标题提到的"caffe的windows官方移植版"是指Caffe已经被移植到Windows操作系统上，使得Windows用户也能方便地利用Caffe进行深度学习模型的训练和部署。 在描述中提到，这是一个微软官方移植版本，这意味着移植过程是...
caffe-windows
10-12
2. **模型和数据格式**：Caffe 使用 JSON 文件来定义网络结构（模型），并使用 LMDB 或 leveldb 存储数据集，这使得模型的可读性和可移植性增强。 3. **社区支持**：Caffe 有庞大的开发者社区，提供了大量的预训练...
Windows 7 64位下Caffe移植与依赖库安装教程
作者指出，虽然Ubuntu可能是更为常见的选择，但在企业环境中，可能由于特定限制需要将Caffe移植到Windows系统。 首先，准备工作至关重要，包括安装Microsoft Visual Studio 2012（可以从官方网站获取），以及CMake...
caffe windows版本 VS2013
01-09
然而，随着Windows平台的重要性日益凸显，开发者们也开始致力于将Caffe移植到Windows系统上。在这个"caffe windows版本 VS2013"的项目中，我们看到Happy'near大神成功地将Caffe整合到了Visual Studio 2013环境中，...
CrfAsRnn-caffe-windows移植
04-17
标题中的"CrfAsRnn-caffe-windows移植"指的是将CrfAsRnn模块从原本的环境移植到Windows操作系统中，并与Caffe深度学习框架进行整合。CrfAsRnn是一种基于条件随机场（Conditional Random Field，CRF）的后处理技术，...
Android端调用Caffe模型实现CNN分类
热门推荐
一个想要改变世界的IT slave的专栏
08-07 2万+
本文的主要内容如下。 移动端的深度学习的实现方式 tiny-cnn介绍以及移动端移植 总结与改进 应用截图 一.移动端深度学习的几种实现方式(1)Caffe的移动端编译项目caffe(命令式框架)算是在国内最流行的深度学习开源框架，使用它进行商业，研究的人很多。对于移动端的实现，也有开源项目对caffe进行了移植。 项目连接如下:android-lib android-demo我认识的很多科研
caffe移植到arm平台
lwei的专栏
07-09 6256
经过一个多星期的掉坑再爬坑，终于将caffe成功移植到arm平台，这里记录一下整个的过程。 感谢知乎大神乌贼刘的热心帮助：https://www.zhihu.com/question/56437450 移植环境： PC：Ubuntu14.04 x64 ARM：Ti Linux-arm toolchain：ti-processor-sdk-linux-arm57x
caffe移植到android上的初探
qq_15987459的博客
06-30 1706
最近要做一个将caffe训练的模型移植到android的项目，在网上找了找详细的例子很多，不知道是不是因为将模型移植到android上的意义不是很大。首先在网上找了一个例子跑了一下，将遇到的问题和解决的途径记录一下。例子来源：https://blog.csdn.net/qwer4755552/article/details/52943956   注意事项：一定要将训练好的模型放在对应的位置上，因为...
HI3516D之Caffe2移植
sanallen的专栏
01-02 2127
本文档涉及到的目标硬件为海思3516D，但是对其他Arm芯片也有一定的借鉴意义，只需要更换交叉编译链即可。因为Caffe2的编译需要使用开启C++11，所以GCC版本需要大于等于4.8才可以正常进行编译参考文档 HI3516D之caffe移植 开发环境介绍主机操作系统：Ubuntu14.04 64位目标板硬件：海思3516D交叉编译器：arm-hisiv400-linux，海思提供的定制GCC 4.
caffe-android-lib 在ubuntu下的编译
sinat_19385391的博客
09-20 3925
关于caffe-android-lib 首先附上该开源框架的地址https://github.com/sh1r0/caffe-android-lib 以及caffe的项目地址https://github.com/BVLC/caffeCaffe 是一个深度学习框架。而caffe-android-lib则是讲Caffe移植到android平台上的开源框架。 编译步骤 1.安装android n
深度学习（五十八）caffe移植至mxnet
hjimce的专栏
04-18 4336
１、模型转换２、外部引用set(USE_CUDA OFF) set(USE_CUDNN OFF) add_subdirectory("./3dparty/mxnet/") target_link_libraries(faceattribute ${OpenCV_LIBS} mxnet)#链接mxnet库
caffe单独移植出来需要的工程配置和注意点,CPU版本和GPU版本！
yangdeshun888的博客
06-07 2126
1、
Caffe转NCNN并移植Android配置记录
Camlin_Z的博客
11-01 2468
实验目的： 将caffe模型转成ncnn可以实现在移动端运行深度学习模型，主要使用： https://github.com/Tencent/ncnn 实验环境： 1、系统环境 Mac OS Mojave系统 编译好的caffe源码（可以参考我之前的博客：https://blog.csdn.net/sinat_28731575/article/details/78958348） 2、软件 An...
caffe yolov2移植
walle的博客
10-13 4775
https://github.com/gklz1982/caffe-yolov2
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值