py-faster-rcnn+GPU的编译安装以及训练自己的数据集

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