这篇博文是自己参考了很多博文做的总结,参考的博文见文中或者后面的链接。
一、配置caffe环境
机器环境:
Ubuntu 14.03
CUDA8.0
python2.7
服务器已经安装好了CUDA这些,因此编译caffe GPU的时候,主要有两点:
1.caffe源码的编译,修改Makefile.config,Makefile
2.protobuf2.5的编译,修改autogen.sh
Makefile.config修改重点在于:
1.CPU or GPU
2.系统里是独立的python还是anaconda里面的python,配好 PYTHON_INCLUDE:=
PYTHON_LIB:=
INCLUDE_DIRS:=
LIBRARY_DIRS:=
Makefile修改重点在于180行左右的
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m \
hdf5_hl hdf5 opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs
autogen.sh修改重点在于:
里面curl下载不了,换一个url
二、下载、编译py-fater-rcnn源码
(1)下载源码
git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git
关键点:
1.一定要加上–recuisive
2.最好在linux系统下git clone,不要在Windows操作系统下git clone下来的,因为在Windows下的文件会是dos格式,把py-faster-rcnn文件夹上传到linux服务器上后,在linux服务器中编译测试的时候,有些错误就是因为dos格式引起的,还需要在vi下改为:set ff=unix
(2)编译源码
a.编译Cython模块
cd $FRCN_ROOT/lib
make
b.修改Makefile文件和Makefile.config文件
参考caffe环境配置
c.编译python接口
cd $FRCN_ROOT/caffe-fast-rcnn
make -j8 多核编译,时间较长
make pycaffe
d.下载训练好的VGG16模型和ZF模型
因为在linux服务器上不方便联网,因此是在网上找资源下载的训练好的模型。
把下载的faster_rcnn_models.tgz和 imagenet_models.rar
分别解压出faster_r