Python版Faster-RCNN安装配置

最新推荐文章于 2024-06-19 09:41:12 发布
最新推荐文章于 2024-06-19 09:41:12 发布
阅读量1.7k 收藏 1
点赞数
分类专栏： 深度学习 文章标签： python faster-rcn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pym1993/article/details/52483874
版权
本文详述了在Python环境下安装配置Faster-RCNN的步骤，包括软件和硬件需求、源代码克隆、Caffe及pycaffe的构建，以及可能出现的编译问题和解决方案。最后，通过测试验证安装是否成功。
摘要由CSDN通过智能技术生成

本文参照github 编写，参考地址如下:
https://github.com/rbgirshick/py-faster-rcnn
一、 软件要求：
1，python必须支持python layers:

#  Makefile.config, make sure to have this line uncommented
WITH_PYTHON_LAYER := 1
# Unrelatedly, it's also recommended that you use CUDNN
USE_CUDNN := 1

2,python包必须包括: cython, python-opencv, easydict

二、硬件要求：
1，对于小型网络的训练(ZF, VGG_CNN_M_1024)，一个有3G内存的好的gpu就可以了(e.g., Titan, K20, K40, …) 。
2，为了用VGG16寻训练fast-rcnn，我们需要一个 K40 (~11G of memory)。
3，用端到端(end to end)的方式训练用VGG16构建的Faster-Rcnn ,在使用CUDnn情况下，一个 K40 (~3G of memory)足够了。

三、安装

1， 从github上克隆faster-rcnn 源代码，注意必须采用命令行的方式下载，不要使用在浏览器内直接下载，不然会漏掉很多东西:

# Make sure to clone with --recursive
git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git

2,建立 Cpython模块：

cd $FRCN_ROOT/lib
make

3，建立Caffe 和 pycaffe：

cd $FRCN_ROOT/caffe-fast-rcnn
make -j8 && make pycaffe

注意：在编译的时候容易出现两种错误：
（1）， 由于cudnn版本不对，无法编译通过，在这里推荐在安装caffe时使用cudnn4.0版
（2），make过程中出现比如 string.h ‘memcy’ was not declared in this scope的错误是由于gcc编译器版本太新，解决方法是打开makefile搜索并替换：

NVCCFLAGS += -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
为
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

当然，如果caffe正确安装，是不会出现这种问题的。

4，下载已经训练好的模型Faster R-CNN ：

 cd $FRCN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh

这一步会在$FRCN_ROOT/data 文件夹下下载 生成faster_rcnn_models. 的压缩文件大概700M大小，解压缩后备用。

四、测试：
完成的基本的安装后用demo测试一下：

cd $FRCN_ROOT
./tools/demo.py

运行结果如下则表明安装成功：

/usr/lib/python2.7/dist-packages/matplotlib/font_manager.py:273: UserWarning: Matplotlib is building the font cache using fc-list. This may take a moment.
  warnings.warn('Matplotlib is building the font cache using fc-list. This may take a moment.')
WARNING: Logging before InitGoogleLogging() is written to STDERR
I0908 20:21:59.205785  4215 net.cpp:49] Initializing net from parameters: 
name: "VGG_ILSVRC_16_layers"
input: "data"
input: "im_info"
state {
  phase: TEST
}
input_shape {
  dim: 1
  dim: 3
  dim: 224
  dim: 224
}
input_shape {
  dim: 1
  dim: 3
}
layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "data"
  top: "conv1_1"
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu1_1"
  type: "ReLU"
  bottom: "conv1_1"
  top: "conv1_1"
}
layer {
  name: "conv1_2"
  type: "Convolution"
  bottom: "conv1_1"
  top: "conv1_2"
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu1_2"
  type: "ReLU"
  bottom: "conv1_2"
  top: "conv1_2"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1_2"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2_1"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2_1"
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu2_1"
  type: "ReLU"
  bottom: "conv2_1"
  top: "conv2_1"
}
layer {
  name: "conv2_2"
  type: "Convolution"
  bottom: "conv2_1"
  top: "conv2_2"
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu2_2"
  type: "ReLU"
  bottom: "conv2_2"
  top: "conv2_2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2_2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv3_1"
  type: "Convolution"
  bottom: "pool2"
  top: "conv3_1"
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu3_1"
  type: "ReLU"
  bottom: "conv3_1"
  top: "conv3_1"
}
layer {
  name: "conv3_2"
  type: "Convolution"
  bottom: "conv3_1"
  top: "conv3_2"
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu3_2"
  type: "ReLU"
  bottom: "conv3_2"
  top: "conv3_2"
}
layer {
  name: "conv3_3"
  type: "Convolution"
  bottom: "conv3_2"
  top: "conv3_3"
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu3_3"
  type: "ReLU"
  bottom: "conv3_3"
  top: "conv3_3"
}
layer {
  name: "pool3"
  type: "Pooling"
  bottom: "conv3_3"
  top: "pool3"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv4_1"
  type: "Convolution"
  bottom: "pool3"
  top: "conv4_1"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu4_1"
  type: "ReLU"
  bottom: "conv4_1"
  top: "conv4_1"
}
layer {
  name: "conv4_2"
  type: "Convolution"
  bottom: "conv4_1"
  top: "conv4_2"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu4_2"
  type: "ReLU"
  bottom: "conv4_2"
  top: "conv4_2"
}
layer {
  name: "conv4_3"
  type: "Convolution"
  bottom: "conv4_2"
  top: "conv4_3"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu4_3"
  type: "ReLU"
  bottom: "conv4_3"
  top: "conv4_3"
}
layer {
  name: "pool4"
  type: "Pooling"
  bottom: "conv4_3"
  top: "pool4"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv5_1"
  type: "Convolution"
  bottom: "pool4"
  top: "conv5_1"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu5_1"
  type: "ReLU"
  bottom: "conv5_1"
  top: "conv5_1"
}
layer {
  name: "conv5_2"
  type: "Convolution"
  bottom: "conv5_1"
  top: "conv5_2"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu5_2"
  type: "ReLU"
  bottom: "conv5_2"
  top: "conv5_2"
}
layer {
  name: "conv5_3"
  type: "Convolution"
  bottom: "conv5_2"
  top: "conv5_3"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu5_3"
  type: "ReLU"
  bottom: "conv5_3"
  top: "conv5_3"
}
layer {
  name: "rpn_conv/3x3"
  type: "Convolution"
  bottom: "conv5_3"
  top: "rpn/output"
  convolution_param {
    num_output: 512
    pad: 1
    kernel_size: 3
    stride: 1
  }
}
layer {
  name: "rpn_relu/3x3"
  type: "ReLU"
  bottom: "rpn/output"
  top: "rpn/output"
}
layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_cls_score"
  convolution_param {
    num_output: 18
    pad: 0
    kernel_size: 1
    stride: 1
  }
}
layer {
  name: "rpn_bbox_pred"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_bbox_pred"
  convolution_param {
    num_output: 36
    pad: 0
    kernel_size: 1
    stride: 1
  }
}
layer {
  name: "rpn_cls_score_reshape"
  type: "Reshape"
  bottom: "rpn_cls_score"
  top: "rpn_cls_score_reshape"
  reshape_param {
    shape {
      dim: 0
      dim: 2
      dim: -1
      dim: 0
    }
  }
}
layer {
  name: "rpn_cls_prob"
  type: "Softmax"
  bottom: "rpn_cls_score_reshape"
  top: "rpn_cls_prob"
}
layer {
  name: "rpn_cls_prob_reshape"
  type: "Reshape"
  bottom: "rpn_cls_prob"
  top: "rpn_cls_prob_reshape"
  reshape_param {
    shape {
      dim: 0
      dim: 18
      dim: -1
      dim: 0
    }
  }
}
layer {
  name: "proposal"
  type: "Python"
  bottom: "rpn_cls_prob_reshape"
  bottom: "rpn_bbox_pred"
  bottom: "im_info"
  top: "rois"
  python_param {
    module: "rpn.proposal_layer"
    layer: "ProposalLayer"
    param_str: "\'feat_stride\': 16"
  }
}
layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "conv5_3"
  bottom: "rois"
  top: "pool5"
  roi_pooling_param {
    pooled_h: 7
    pooled_w: 7
    spatial_scale: 0.0625
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "cls_score"
  type: "InnerProduct"
  bottom: "fc7"
  top: "cls_score"
  inner_product_param {
    num_output: 21
  }
}
layer {
  name: "bbox_pred"
  type: "InnerProduct"
  bottom: "fc7"
  top: "bbox_pred"
  inner_product_param {
    num_output: 84
  }
}
layer {
  name: "cls_prob"
  type: "Softmax"
  bottom: "cls_score"
  top: "cls_prob"
}
I0908 20:21:59.206061  4215 net.cpp:413] Input 0 -> data
I0908 20:21:59.309164  4215 net.cpp:413] Input 1 -> im_info
I0908 20:21:59.309209  4215 layer_factory.hpp:77] Creating layer conv1_1
I0908 20:21:59.309229  4215 net.cpp:106] Creating Layer conv1_1
I0908 20:21:59.309232  4215 net.cpp:454] conv1_1 <- data
I0908 20:21:59.309237  4215 net.cpp:411] conv1_1 -> conv1_1
I0908 20:22:00.151002  4215 net.cpp:150] Setting up conv1_1
I0908 20:22:00.151026  4215 net.cpp:157] Top shape: 1 64 224 224 (3211264)
I0908 20:22:00.151029  4215 net.cpp:165] Memory required for data: 12845056
I0908 20:22:00.151042  4215 layer_factory.hpp:77] Creating layer relu1_1
I0908 20:22:00.151053  4215 net.cpp:106] Creating Layer relu1_1
I0908 20:22:00.151057  4215 net.cpp:454] relu1_1 <- conv1_1
I0908 20:22:00.151062  4215 net.cpp:397] relu1_1 -> conv1_1 (in-place)
I0908 20:22:00.151320  4215 net.cpp:150] Setting up relu1_1
I0908 20:22:00.151327  4215 net.cpp:157] Top shape: 1 64 224 224 (3211264)
I0908 20:22:00.151329  4215 net.cpp:165] Memory required for data: 25690112
I0908 20:22:00.151331  4215 layer_factory.hpp:77] Creating layer conv1_2
I0908 20:22:00.151340  4215 net.cpp:106] Creating Layer conv1_2
I0908 20:22:00.151342  4215 net.cpp:454] conv1_2 <- conv1_1
I0908 20:22:00.151347  4215 net.cpp:411] conv1_2 -> conv1_2
I0908 20:22:00.152340  4215 net.cpp:150] Setting up conv1_2
I0908 20:22:00.152350  4215 net.cpp:157] Top shape: 1 64 224 224 (3211264)
I0908 20:22:00.152354  4215 net.cpp:165] Memory required for data: 38535168
I0908 20:22:00.152359  4215 layer_factory.hpp:77] Creating layer relu1_2
I0908 20:22:00.152364  4215 net.cpp:106] Creating Layer relu1_2
I0908 20:22:00.152367  4215 net.cpp:454] relu1_2 <- conv1_2
I0908 20:22:00.152371  4215 net.cpp:397] relu1_2 -> conv1_2 (in-place)
I0908 20:22:00.152498  4215 net.cpp:150] Setting up relu1_2
I0908 20:22:00.152503  4215 net.cpp:157] Top shape: 1 64 224 224 (3211264)
I0908 20:22:00.152504  4215 net.cpp:165] Memory required for data: 51380224
I0908 20:22:00.152506  4215 layer_factory.hpp:77] Creating layer pool1
I0908 20:22:00.152513  4215 net.cpp:106] Creating Layer pool1
I0908 20:22:00.152513  4215 net.cpp:454] pool1 <- conv1_2
I0908 20:22:00.152518  4215 net.cpp:411] pool1 -> pool1
I0908 20:22:00.152549  4215 net.cpp:150] Setting up pool1
I0908 20:22:00.152552  4215 net.cpp:157] Top shape: 1 64 112 112 (802816)
I0908 20:22:00.152554  4215 net.cpp:165] Memory required for data: 54591488
I0908 20:22:00.152555  4215 layer_factory.hpp:77] Creating layer conv2_1
I0908 20:22:00.152561  4215 net.cpp:106] Creating Layer conv2_1
I0908 20:22:00.152564  4215 net.cpp:454] conv2_1 <- pool1
I0908 20:22:00.152566  4215 net.cpp:411] conv2_1 -> conv2_1
I0908 20:22:00.154081  4215 net.cpp:150] Setting up conv2_1
I0908 20:22:00.154090  4215 net.cpp:157] Top shape: 1 128 112 112 (1605632)
I0908 20:22:00.154093  4215 net.cpp:165] Memory required for data: 61014016
I0908 20:22:00.154098  4215 layer_factory.hpp:77] Creating layer relu2_1
I0908 20:22:00.154103  4215 net.cpp:106] Creating Layer relu2_1
I0908 20:22:00.154105  4215 net.cpp:454] relu2_1 <- conv2_1
I0908 20:22:00.154110  4215 net.cpp:397] relu2_1 -> conv2_1 (in-place)
I0908 20:22:00.154381  4215 net.cpp:150] Setting up relu2_1
I0908 20:22:00.154388  4215 net.cpp:157] Top shape: 1 128
最低0.47元/天 解锁文章
pym1993
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
faster RCNN python 安装
t5131828的专栏
11-23 4594
原文转自http://blog.csdn.net/u011635764/article/details/52831167 这篇博客主要是记录如何安装 python版的faster-RCNN  ,因为之前已经安装过caffe了,  Ubuntu16.04系统,显卡GTX1060以各种依赖,cuda8.0, cudnn, MKL, opencv3.1.0,  都已经安装过了,p
Caffe: Faster-RCNN Python版本配置 (Windows)
灰羽的博客
05-02 1万+
环境：VS2013，CUDA8.0，CuDNN 5.0，Win10/7，Anaconda一、准备工作1. 添加VS的cl.exe所在路径至环境变量VS的安装路径下有一个VC文件夹，将其中的bin目录添加值环境变量（该目录下有cl.exe），路径参考如下：D:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin如未正确添加后续步骤将出现 Ty
推荐开源项目：Py-Faster-RCNN —— 实现二分类器的高效目标检测框架
最新发布
gitblog_00089的博客
06-19 366
???? 推荐开源项目：Py-Faster-RCNN —— 实现二分类器的高效目标检测框架 项目地址:https://gitcode.com/deboc/py-faster-rcnn 1、项目简介 在深度学习领域中，目标检测是至关重要的研究方向之一。其中，Faster R-CNN算法因其卓越的性能和速度，在工业界和学术界都享有极高的声誉。今天，我要向大家推荐的就是一个基于Python的Faster R-...
Faster RCNN代码理解（Python）
热门推荐
FelixFuu的博客
11-06 2万+
最近开始学习深度学习，看了下Faster RCNN的代码，在学习的过程中也查阅了很多其他人写的博客，得到了很大的帮助，所以也打算把自己一些粗浅的理解记录下来，一是记录下自己的菜鸟学习之路，方便自己过后查阅，二来可以回馈网络。目前编程能力有限，且是第一次写博客，中间可能会有一些错误。
faster-rcnn(python版本)安装
gn102038的博客
05-15 837
安装python依赖包 sudo pip install Cython sudo pip install easydict12 下载源代码 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git1 修改并编译Cython cd py-faster-rcnn/lib1 修改setup.py文
深度学习之windows python faster rcnn 配置及demo运行
浩瀚之水的专栏
09-16 1130
写这篇文章主要是针对深度学习零基础的新手，因为我也是新手，在配置环境这一块花了我很大的心血，网上的资料很多都只是说配置，然后直接运行就完了，可是对于我这样的新手在配置的过程中会遇见各种各样的问题，所以在此给大家把我所遇到的问题总结出来，以免后续的人少走弯路，不废话了。 1 系统环境 windows 7 X64 VS2013 GTX970 CUDA8.0 cudnn5.0 Minicond
Python Faster R-CNN 安装配置记录
Alex_StarSky的博客
04-10 2367
Faster RCNN 在Ubuntu16.04，GTX1080ti，Cuda8.0，cudnn6.0，opencv2.4.13.2环境，python版本的编译和测试过程中遇到的问题记录和解决方法。
Faster-RCNN-TensorFlow-Python3.5-master.zip
04-20
Faster R-CNN由Ren等人于2015年提出，它在RCNN（区域卷积网络）的基础上进行了重大改进，解决了RCNN计算效率低下的问题，实现了端到端的训练。下面我们将深入探讨Faster R-CNN的工作原理、结构以及在TensorFlow框架...
py-faster-rcnn-windows-master.zip
11-26
总结，Py-Faster-RCNN在Windows环境的配置涉及多个步骤，包括安装依赖、编译Caffe、替换库文件、数据准备以及训练模型。每个步骤都需要细心操作和调试，但一旦成功配置，就可以利用这个强大的工具进行深度学习的目标...
ubantu16.04配置py-faster-rcnn CPU版教程
07-01
### Ubuntu 16.04 配置 py-faster-rcnn CPU 版教程 #### 一、Caffe 配置 在配置 py-faster-rcnn 之前，首先需要安装并配置 Caffe，因为它是 py-faster-rcnn 的核心组件之一。 ##### 1. 安装依赖项 确保系统已经...
Faster-RCNN-TensorFlow-Python3.5-master
04-28
Faster-RCNN-TensorFlow-Python3.5-masterFaster-RCNN-TensorFlow-Python3.5-master
faster-cpython:如何使CPython更快
03-17
更快的CPython 快五倍 我们希望在接下来的四个发行版中将CPython的速度提高5倍。 请参阅以了解如何完成此操作。 付钱 要使CPython快这个数量，将需要资金。 依靠核心开发人员的商誉和业余时间是不够的。 请参阅，以了解如何找到这笔钱。
faster_cpython:有关加快CPython速度的注意事项
05-05
有关加快CPython速度的注意事项 在线阅读： : 编译为HTML：制作html Sphinx构建的文档
windows下c++版faster -rcnn
11-24
项目“fasterrcnn_vs2013_beta”可能是针对Visual Studio 2013的一个C++版本实现，包含了编译和运行所需的源代码、配置文件和依赖库。 3. Windows环境下的配置与部署 - 安装依赖：首先，确保安装了Visual Studio，...
学习Faster-RCNN （一）跑Faster-RCNN的python版demo
大白机器人的博客
01-22 8361
一、准备材料 在官网“https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-demo”，下载demo,阅读“README.md”，按照网址：“https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-d
Python视觉深度学习系列教程 第三卷 第14章 从头开始训练Faster R-CNN
学以致用 知行合一
01-04 904
本章的目的是达到以下四点： 1、在您的系统上安装和配置 TensorFlow Object Detection API。 2、在TensorFlow Object Detection API 构建图像数据集+图像标注。 3、在LISA交通标志数据集上训练一个Faster R-CNN。 4、评估准确率并将训练好的Faster R-CNN 应用于图像和视频。 在本章中，学习使用 TensorFlow ObjectDetection API 来训练 Faster R-CNN+ ResNet-101 架构。
Faster-RCNN系列 一（训练部分代码，python）
weixin_45344267的博客
02-05 983
Faster-RCNN系列 一（训练部分代码，python） 本文注意从两部分讲解训练部分： 一：mobilenetV2 二：ResNet50+fpn 检查设备信息，并将设备信息打印： device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print("Using {} device training.".format(device.type)) 检查是否有保存权重的文件，如果没有马厩makedirs一个 if n
关于python版本的Faster Rcnn的使用
Muzythoof的博客
07-25 4514
该文作者很懒，主要简单介绍了py-Faster Rcnn的训练的实验操作，以及部分官方工具的简单使用（包括模型评估，图片检测，模型可视化等）。在（阅读本文）使用Faster-Rcnn实现检测任务时，请确保已成功搭建caffe框架和py-Faster-Rcnn（相关搭建方法可参考相关博客）。
训练faster-rcnn
03-31
2. 安装必要的软件和库：安装CUDA、CUDNN、Python、TensorFlow等必要的软件和库。 3. 下载Faster R-CNN代码：选择一个合适的Faster R-CNN代码库，如TensorFlow Object Detection API。 4. 配置参数：设置训练参数...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值