ubuntu16.04中安装caffe2 和 detectron

参考文章：https://www.cnblogs.com/zhencv/p/8384419.html

1，  首先安装好cuda和cudnn，我目前是使用cuda8.0，cudnn6.1（安装教程参考本博客其他文章，基本所有的框架都是需要这个步骤）

2，   按照官网教程按照caffe2：

        https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile

注意：这里使用的是anaconda2，python2.7，目前caffe2对python2和python3都支持，但是后面的detectron对python3支持不好，所以这里推荐使用python2(还遇到了一个问题，就是使用python3编译完成后，并且make install ,之后，然后改为python2,make clean ,然后make会出错，重新下载了源码可以解决)

这里也简单梳理下流程。

首先确定系统和安装方式，这里采用直接编译源码的方式。

（1）安装需要的库

sudo apt-get update
sudo apt-get install -y --no-install-recommends \
      build-essential \
      cmake \
      git \
      libgoogle-glog-dev \
      libgtest-dev \
      libiomp-dev \
      libleveldb-dev \
      liblmdb-dev \
      libopencv-dev \
      libopenmpi-dev \
      libsnappy-dev \
      libprotobuf-dev \
      openmpi-bin \
      openmpi-doc \
      protobuf-compiler \
      python-dev \
      python-pip                          
sudo pip install \
      future \
      numpy \
      protobuf

（2）libgflags2根据系统选择

# 对于 Ubuntu 14.04
sudo apt-get install -y --no-install-recommends libgflags2
# 对于 Ubuntu 16.04
sudo apt-get install -y --no-install-recommends libgflags-dev

 

对于GPU的相关依赖我们已经在上面完成配置了，caffe2也给了官方GPU配置的说明，也可以作为一种参考。

另外如opencv库也可以根据自己的需要进行安装

 

（3）完成准备工作后就可以下载源码进行编译。

git clone --recursive https://github.com/caffe2/caffe2.git && cd caffe2
make && cd build && sudo make install

 

（4）测试caffe2是否安装成功

cd ~ && python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

如果是failure，试着cd到caffe2/build的文件夹里，然后执行

python -c 'from caffe2.python import core' 2>/dev/null

如果successful，说明是环境变量的设置问题，如果还是失败，则会有具体的提示。

配置环境变量，编辑~/.bashrc

sudo gedit ~/.bashrc

添加以下内容：

export PYTHONPATH=/usr/local:$PYTHONPATH
export PYTHONPATH=$PYTHONPATH:/home/....../caffe2/build  (后面路径为caffe2的编译路径，在caffe2/build中，命令行输入pwd可以得到这个路径)
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

3，  安装detectron

还是那句话，最好的教程是官方的文档。

https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md

找个合适的文件位置进行clone
git clone https://github.com/facebookresearch/detectron

编译python库
cd DETECTRON/lib && make （DETECTRON表示你clone下来的文件夹）
测试是否编译成功
python2 $DETECTRON/tests/test_spatial_narrow_as_op.py （DETECTRON表示你clone下来的文件夹）

如果遇到缺少库的问题，可以根据报错的信息把库加上

另外的问题可以参见官方的Troubleshooting

4， detectron使用测试

参考

https://github.com/facebookresearch/Detectron/blob/master/GETTING_STARTED.md

训练相关的我们放到之后去说，这里先说下利用已经训练好的模型和算法框架来进行目标的检测。

根据不同的需求，对象检测可以分为几种，1）Bounding box，2）Mask，3）KeyPoints

这里给出两个例子，用mask和

python2 tools/infer_simple.py \
    --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    demo

python2 tools/infer_simple.py \
    --cfg configs/12_2017_baselines/e2e_keypoint_rcnn_R-101-FPN_s1x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts https://s3-us-west-2.amazonaws.com/detectron/37698009/12_2017_baselines/e2e_keypoint_rcnn_R-101-FPN_s1x.yaml.08_45_57.YkrJgP6O/output/train/keypoints_coco_2014_train%3Akeypoints_coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    demo

下面第一和第二个图是Bounding box和Mask的效果，第三和第四个图是Bounding box和人体骨骼keypoints的效果。