学习Faster-RCNN (py-faster-rcnn demo)

在Fast-R-CNN中，第一步需要先使用Selective Search方法提取图像中的proposals。基于CPU实现的Selective Search提取一幅图像的所有Proposals需要约2s的时间。在不计入proposal提取情况下，Fast-R-CNN基本可以实时进行目标检测。但是，如果从端到端的角度考虑，显然proposal提取成为影响端到端算法性能的瓶颈。目前最新的EdgeBoxes算法虽然在一定程度提高了候选框提取的准确率和效率，但是处理一幅图像仍然需要0.2s。因此，Ren Shaoqing提出新的Faster-R-CNN算法，该算法引入了RPN网络（Region Proposal Network）提取proposals。RPN网络是一个全卷积神经网络，通过共享卷积层特征可以实现proposal的提取，RPN提取一幅像的proposal只需要10ms.

---

Faster-R-CNN算法由两大模块组成：1.RPN候选框提取模块 2.Fast R-CNN检测模块。其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。

---

安装参照：
安装和运行Fast R-CNN的demo
几乎是一模一样，就可以成功
只有第一步的地址不一样，其他的命令和步骤都一样：

git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git

---

但是有一点必须得强调 ，在第4步时 一定要注意下载的文件的完整性
4下载pre-computed Fast R-CNN detectors

大概695M（728560422个byte），一定要在下载完后转到/py-faster-rcnn/data# 下，输入ll命令查看 faster_rcnn_models.tgz是不是728560422 byte,如果不是一定要重新下载。

root@hh:~/py-faster-rcnn/data# ll
total 2170196
drwxr-xr-x 6 accurad accurad       4096  9月 18 10:39 ./
drwxr-xr-x 9 accurad accurad       4096  9月 14 14:15 ../
drwxr-xr-x 2 accurad accurad       4096  9月 14 14:13 demo/
drwxrwxr-x 2    1001    1001       4096 10月  3  2015 faster_rcnn_models/
-rw-r--r-- 1 root    root     728560422 10月  5  2015 faster_rcnn_models.tgz

在这个上真是栽了无数跟头， 在运行demo时一直报同一个错误 Failed to parse NetParameter file，血的教训，刚开始以为没有装好，无数次重新安装~艾西 终于好了~

F0918 10:32:23.695413 28437 upgrade_proto.cpp:75] Check failed: ReadProtoFromBinaryFile(param_file, param) Failed to parse NetParameter file: /home/accurad/py-faster-rcnn/data/faster_rcnn_models/VGG16_faster_rcnn_final.caffemodel
*** Check failure stack trace: ***
Aborted (core dumped)

最后成功运行demo

./tools/demo.py 

下面是效果图

深度学习检测方法梳理