Ubuntu 16.04 测试 tf-faster-rcnn 在CPU下运行

参考链接：

https://blog.csdn.net/sinat_33486980/article/details/81045315

https://github.com/endernewton/tf-faster-rcnn

1、下载anaconda，https://www.anaconda.com/download/#linux

目前最新版本是python 3.7，可以选择最新版下载

2、pycharm下载，http://www.jetbrains.com/pycharm/download/#section=linux

可以选择社区版（免费）

3、安装tensorflow(cpu版）

 

官方的建议是即时你有gpu，但也可以先装一个cpu版，创建环境的命令为：

conda create -n tensorflow python=3.6（一定要指定python版本，python=3.6）

先下载安装包，下载路径为（这里选择1.9是因为faster-rcnn已经用到1.9的内容了）：

https://storage.googleapis.com/intel-optimized-tensorflow/tensorflow-1.9.0-cp36-cp36m-linux_x86_64.whl

 

下载之后，将whl文件重命名为tensorflow-1.9.0-py3-none-linux_x86_64.whl，否则会出现

tensorflow-1.9.0-cp36-cp36m-linux_x86_64.whl is not a supported wheel on this platform.

一样的报错，具体参考https://github.com/tensorflow/tensorflow/issues/1990，然后进入环境并安装tensorflow，执行下面的命令：

source activate tensorflow #激活tensorflow环境

cd /Downloads #切换到whl文件所在文件夹

pip install --ignore-installed --upgrade tensorflow-1.0.0-py3-none-linux_x86_64.whl #不要用sudo pip，也不要用pip3

4、验证安装：

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello)

 

 

5、配置faster-rcnn工程：

（1）、Faster-rcnn下载地址：https://github.com/endernewton/tf-faster-rcnn

git clone https://github.com/endernewton/tf-faster-rcnn.git

（2）、运行和修改配置文件（下面相关命令的安装必须是激活tensorflow环境下安装）

cd tf-faster-rcnn/lib
vim setup.py
make clean
make

此时会报以下错误：

python setup.py build_ext --inplace
Traceback (most recent call last):
  File "setup.py", line 55, in <module>
    CUDA = locate_cuda()
  File "setup.py", line 43, in locate_cuda
    raise EnvironmentError('The nvcc binary could not be '
OSError: The nvcc binary could not be located in your $PATH. Either add it to your path, or set $CUDAHOME
Makefile:2: recipe for target 'all' failed
make: *** [all] Error 1

由于使用的是CPU运行，因此需要修改：：lib/setup.py

（1）注释：#CUDA = locate_cuda()

（2）注释：

 # Extension('nms.gpu_nms',
    #     ['nms/nms_kernel.cu', 'nms/gpu_nms.pyx'],
    #     library_dirs=[CUDA['lib64']],
    #     libraries=['cudart'],
    #     language='c++',
    #     runtime_library_dirs=[CUDA['lib64']],
    #     # this syntax is specific to this build system
    #     # we're only going to use certain compiler args with nvcc and not with gcc
    #     # the implementation of this trick is in customize_compiler() below
    #     extra_compile_args={'gcc': ["-Wno-unused-function"],
    #                         'nvcc': ['-arch=sm_52',
    #                                  '--ptxas-options=-v',
    #                                  '-c',
    #                                  '--compiler-options',
    #                                  "'-fPIC'"]},
    #     include_dirs = [numpy_include, CUDA['include']]
    # )

修改后再次make，无报错即可

（3）、安装Python coco API，因为代码运行需要使用coco API来连接coco 数据集

在终端输入一下命令：

cd data
git clone https://github.com/pdollar/coco.git
cd coco/PythonAPI
make
cd ../../..

（4）、运行Demo

（1）、下载预训练模型（voc_0712_80k-110k.tgz）

百度网盘链接：https://pan.baidu.com/s/1mdr3sLGKTgDPn4fMpR-V-w

下载完后放入data文件夹下，使用命令解压：tar xvf voc_0712_80k-110k.tgz

（2）、在根目录新建output文件夹，然后将前面解压出来的预训练模型的四个文件拷贝到该文件夹下

（3）、修改tools/demo.py

将tfmodel = os.path.join('output', demonet, DATASETS[dataset][0], 'default',   NETS[demonet][0])

改为：tfmodel = os.path.join('output', NETS[demonet][0])

然后将demo.py拷贝到根目录，再运行demo.py

这时出现以下错误：

Traceback (most recent call last):
  File "/home/modao/PycharmProjects/tf-faster-rcnn/tools/demo.py", line 20, in <module>
    from model.test import im_detect
  File "/home/modao/PycharmProjects/tf-faster-rcnn/tools/../lib/model/test.py", line 24, in <module>
    from model.nms_wrapper import nms
  File "/home/modao/PycharmProjects/tf-faster-rcnn/tools/../lib/model/nms_wrapper.py", line 12, in <module>
    from nms.gpu_nms import gpu_nms
ModuleNotFoundError: No module named 'nms.gpu_nms'

（4）、修改lib/model/nms_wrapper.py

注释：from nms.gpu_nms import gpu_nms

修改force_cpu为：force_cpu=True

再次运行demo.py

成功后会显示：

Loaded network output/res101_faster_rcnn_iter_110000.ckpt
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Demo for data/demo/000456.jpg
Detection took 59.350s for 300 object proposals
 

图片检测结果：

正式训练数据请进一下链接：

https://blog.csdn.net/oMoDao1/article/details/82702337