caffe+win10+CUDA8.0+faster rcnn matlab配置

    

    最近一直在研究深度学习的内容，这里着手caffe+faster cnn matlab的配置，但此处确实有很多坑，自己几乎配置了两天才完成，在这里将配置的步骤记录下来，防止忘记。

    本人的用的是win10+CUDA8.0+faster rcnn matlab。

    

    一，准备工作（各种安装文件下载）

    1，caffe提供Windows工具包(caffe-master)：https://github.com/Microsoft/caffe

    2，faster rcnn matlab版本下载：https://github.com/ShaoqingRen/faster_rcnn 

    2，vs2013下载 链接：http://pan.baidu.com/s/1b6VDJg 密码：f2jp

    3，CUDA8.0的下载地址 : https://developer.nvidia.com/cuda-downloads

     这里比较推荐大家下载CUDA，不仅因为使用cpu，而不使用gpu会使得速度很慢。且后面用到faster rcnn也是需要下载CUDA的。这里我用的是CUDA8.0，本来准备使用版本7.5的，后来发现此版本本人电脑用不了（马上会说）。

                                  

具体的安装过程可以参考：https://wenku.baidu.com/view/ef375d8587c24028905fc377.html

                                   

    记得出现这种情况就不要继续装了，赶紧换版本，不然后面很可能是无用功。

    这里我没有装cudnn，以后有机会的话应该会尝试一下的。

    二，

    解压缩下载的caffe-windows文件，并将该windows文件夹下的CommonSettings.props.example文件复制一份，并将复制的文件命名为CommonSettings.props，如图所示。

                                

    三，

    打开我们的CommonSettings.props，进行如下的一些修改。最后的一个CudaArchitecture，本人没有修改，但最后也编译成功了，不过最好应该对照自己的修改一下。

                                   

    后面保存了自己的matlab安装路径，可以看到横线上又加了一条路径，这是为了防止后面编译matcaffe时显示错误找不到mxGPUArray.h文件。

                                 

    四，

    打开Windows下的caffe.sln文件，这里如果没有按照上面修改，会出现有的libcaffe，test_all load failed的情况发生。可以看到打开后一共有16个projects。

                                                

    接着我们着手编译libcaffe文件，这里有几点需要注意：

    a,项目选择released模式

    b,修改libcaffe的C++常规设置，将警告视为错误选择否

    c,faster-rcnn中使用了roi-pooling-layer，而这里却并未添加roi_pooling_layer，所以我们需要将头文件，cu文件和cpp文件手动加入到libcaffe中，否则在后面配置faster rcnn的工作中会出现错误。

                                            

                                                               

    我们现在可以编译libcaffe了。右键libcaffe，选择生成，开始编译libcaffe。

                  

    libcaffe编译成功之后我们编译caffe。右键生成。

  

    再接着matcaffe。

    之后classification：用来分类 ；compute_image_mean：计算均值

    五，

    好了，caffe弄好了，后面就是faster rcnn matlab的配置了。

    在别的文章中会让你直接运行fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m 下载编译好的caffe代码，但是这里我们使用的是CUDA8.0 不能使用他的caffe，于是我们自己编译的caffe就排上用场了。就是把编译之后的\x64\Release文件全部拷贝到\external\caffe\matlab\caffe_faster_rcnn\当中就好了。

                                   

    六，

    运行faster_rcnn_build.m 这个运行的时候会报很多错误，这里有两步。

    a，MATLAB和vs编译器的接口你没有配置好，这个你直接使用mex -setup在matlab中进行配置。                                

   

 b，打开nvmex.m这个文件，按照下面的图，将路径修改正确。  

                                       

    七，

    运行startup.m 

    八，

    运行这个文件下载训练好的模型fetch_data/fetch_faster_rcnn_final_model.m ，如果下载不下来也可以在http://pan.baidu.com/s/1hsFKmeK这里直接下载，下载完成后，在faster_rcnn-master目录下解压。output文件夹会被覆盖。

    九，

    运行experiments/script_faster_rcnn_demo.m，到了这一步还是会出现一些错误的可能。

    

    a,在script_faster_rcnn_demo.m中，下图可能会因为多一个fileparts或少一个fileparts出现：错误使用 run (line 46)。

                               

    b,单步调试，发现一到这两步就发生崩溃。

                      fast_rcnn_net = caffe.Net(proposal_detection_model.detection_net_def, 'test');
                      fast_rcnn_net.copy_from(proposal_detection_model.detection_net);

    解决办法：

                   1，前面build libcaffe時 沒有加入之前所说的roi_pooling_layer.cu以及cpp。

                   2，将release生成的matcaffe加入matlab的路径中，直接在设置路径里面设置

                 

                     3，然后将release（如果你的caffe.sln是在Debug下生成的，就把Release换成Debug）加入系统变量path。

                                    

   

 十，

    看看实验结果吧，这里拿来检测行人。

    即使到了这一步还是有可能会崩溃的，这基本上是由于显卡内存不足造成的，即使是使用较小的ZF模型也是需要3G内存的。如果实在不行就令opts.use_gpu  = false,使用cpu吧。

    下面是结果图：

                                                 

                                                 

                                                     

    发现效果比我之前使用Hog+SVM的方法要好很多，应该还有继续改进的余地。