Windows10 下安装caffe

Windows10 下安装caffe

---

本文主要包含如下内容：

  参考博客，可以参考博客和本篇博客进行Windows10下配置安装caffe。

---

Caffe安装及编译教程

---

  本篇博客将会教会你在Windows下配置Caffe，请细心仔细阅读。说白了，Windows下配置这些东西就是一个坑。
  在安装之前，需要安装相应的cuda和cuDNN。其中，cuda版本为cuda_8.0.61_win10，双击安装即可；cuDNN版本为cudnn-7.5-windows10-x64-v5.0-ga，下载并将其解压至D:\
  CUDA下载地址  cuDNN下载地址
  同样的，需要从github上下载相应的windows-caffe，并将其解压至D:\。
  windows-caffe下载地址

  随后，开始配置caffe：
  进入D:\caffe-master\windows，复制文件CommonSettings.props.example并将其改名为CommonSettings.props，双击进入工程caffe（这里注意：需要安装了VS，才可以打开并编译）。有时候libcaffe没有加载成功（主要原因在于看看propos里面的cuda版本是7.5，而你装的是8.0，ctrl+F搜索7.5，找到到改为8.0.并重启caffe.sln即可）

• 注意：如果libcaffe和testall存在问题，请参考如下解决办法：

  由于vs2013的安装路径中缺少 CUDA 8.0.props ，文件引用CUDA 8.0的路径是 C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\BuildCustomizations ，其实 CUDA 8.0.props 安装路径是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\visual_studio_integration\MSBuildExtensions ，只要拷贝到 C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\BuildCustomizations 就行了，那么libcaffe和testall就都没问题了！

  在打开caffe工程后，打开右侧文件列表中的文件CommenSetting.probs，在文件中搜索cudapath，该栏存放从cudnn解压出来的文件夹cuda的目录路径。由于我们从cudnn解压出来的文件夹cuda的目录路径是D:\，因此，输入D:\即可。

  如果需要配置pycaffe，即caffe的python接口，则请进行一下操作：打开右侧文件列表中的文件CommenSetting.probs，编译支持python接口<PythonSupport>ture</PythonSupport>，同时修改python的路径，指定到Anaconda中。
  
  
  随后，我们参考博客，将roi_pooling_layer.hpp,cu,cpp加入到libcaffe文件配置中。
  参考博客

  接下来，选择编译类型为release,x64，关闭 Treat Warnings As Errors (即设置为No) ，如果不设置的话在编译boost库的时候会由于文字编码的警告而报错。下面两张图帮你进行设置。
  
  
  然后开始漫长的编译过程，编译结束后会在D:\下生成文件夹NugetPackages，我们也可以在拷贝别人的文件NugetPackages到指定目录D:\后进行编译。

  在编译好libcaffe后，需要继续编译其他任务：下面两张图帮你进行设置并进行相关编译。
  
  

  至此，caffe工程已经编译完成，可以正常训练测试网络。

• 编译错误：

  error MSB4062:未能从程序集D:\NugetPackages\OpenCV.2.4.10\build\native\private\
  

  coapp.NuGetNativeMSBuildTasks.dll加载任务“NuGetPackageOverlay”

  该问题解决办法，只需要升级opencv即可，参考博客解决问题

---

Windows使用Caffe的工程

---

  在特定的工程中，我们需要运用caffe软件包，即集成caffe代码生成对应的可执行文件。如果你需要这样做，请参考下面流程。

  首先，用VS新建一个工程，将编译模式改为Release ×64模式，随后进入DEBUG->Properties:
  
  根据上图，我们设置相关参数，从而可以导入caffe相关库文件，对应的参数设置为：

    D:\cuda\include;
    C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include;
    D:\NugetPackages\protobuf-v120.2.6.1\build\native\include;
    D:\NugetPackages\OpenCV.2.4.10\build\native\include;
    D:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\include;
    D:\NugetPackages\lmdb-v120-clean.0.9.14.0\lib\native\include;
    D:\NugetPackages\LevelDB-vc120.1.2.0.0\build\native\include;
    D:\NugetPackages\hdf5-v120-complete.1.8.15.2\lib\native\include;
    D:\NugetPackages\glog.0.3.3.0\build\native\include;
    D:\NugetPackages\gflags.2.1.2.1\build\native\include;
    D:\NugetPackages\boost.1.59.0.0\lib\native\include;
    D:\caffe-master\include;$(IncludePath)


    D:\cuda\lib\x64;C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v7.5\lib\x64;
    D:\NugetPackages\protobuf-v120.2.6.1\build\native\lib\x64\v120\Release;
    D:\NugetPackages\OpenCV.2.4.10\build\native\lib\x64\v120\Release;
    D:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\lib\x64;
    D:\NugetPackages\lmdb-v120-clean.0.9.14.0\lib\native\lib\x64;
    D:\NugetPackages\LevelDB-vc120.1.2.0.0\build\native\lib\x64\v120\Release;
    D:\NugetPackages\hdf5-v120-complete.1.8.15.2\lib\native\lib\x64;
    D:\NugetPackages\glog.0.3.3.0\build\native\lib\x64\v120\Release\dynamic;
    D:\NugetPackages\gflags.2.1.2.1\build\native\x64\v120\dynamic\Lib;
    D:\NugetPackages\boost_thread-vc120.1.59.0.0\lib\native\address-model-64\lib;
    D:\NugetPackages\boost_system-vc120.1.59.0.0\lib\native\address-model-64\lib;
    D:\NugetPackages\boost_filesystem-vc120.1.59.0.0\lib\native\address-model-64\lib;
    D:\NugetPackages\boost_date_time-vc120.1.59.0.0\lib\native\address-model-64\lib;
    D:\NugetPackages\boost_chrono-vc120.1.59.0.0\lib\native\address-model-64\lib;
    D:\caffe-master\Build\x64\Release;$(LibraryPath)

  
  根据上图，我们设置相关参数，从而可以导入caffe相关库文件，对应的参数设置为：

    opencv_core2410.lib;opencv_highgui2410.lib;opencv_imgproc2410.lib;
    opencv_contrib2410.lib;caffe.lib;libcaffe.lib;gflags.lib;libglog.lib;
    libopenblas.dll.a;libprotobuf.lib;leveldb.lib;lmdb.lib;hdf5.lib;hdf5_hl.lib;
    libboost_date_time-vc120-mt-1_59.lib;libboost_filesystem-vc120-mt-1_59.lib;
    cublas.lib;curand.lib;cudart.lib;%(AdditionalDependencies)

  如果你想要单独运行可执行文件跑caffe代码，还需要配置环境包；即在工程目录下.\x64\Release\中的添加相应环境包，所需的环境包截图如下，可以在上一步编译好的caffe工程中找到。
  

  接下来，我们还需要编译head.h文件，引用这个文件可以帮助你正常调用caffe源码。

#include <caffe/common.hpp>  
#include <caffe/layer.hpp>  
#include <caffe/layer_factory.hpp>  
#include <caffe/layers/input_layer.hpp>  
#include <caffe/layers/inner_product_layer.hpp>  
#include <caffe/layers/dropout_layer.hpp>  
#include <caffe/layers/conv_layer.hpp>  
#include <caffe/layers/relu_layer.hpp>  

#include <caffe/layers/pooling_layer.hpp>  
#include <caffe/layers/lrn_layer.hpp>  
#include <caffe/layers/softmax_layer.hpp>   
#include<caffe/layers/batch_norm_layer.hpp>
#include<caffe/layers/scale_layer.hpp>
#include<caffe/layers/bias_layer.hpp>
#include<caffe/layers/concat_layer.hpp>
#include<caffe/layers/accuracy_layer.hpp>
#include<caffe/layers/sigmoid_layer.hpp>
namespace caffe
{
    extern INSTANTIATE_CLASS(InputLayer);
    extern INSTANTIATE_CLASS(InnerProductLayer);
    extern INSTANTIATE_CLASS(DropoutLayer);
    extern INSTANTIATE_CLASS(ConvolutionLayer);
    REGISTER_LAYER_CLASS(Convolution);
    extern INSTANTIATE_CLASS(ReLULayer);
    REGISTER_LAYER_CLASS(ReLU);
    extern INSTANTIATE_CLASS(PoolingLayer);
    REGISTER_LAYER_CLASS(Pooling);
    extern INSTANTIATE_CLASS(LRNLayer);
    REGISTER_LAYER_CLASS(LRN);
    extern INSTANTIATE_CLASS(SoftmaxLayer);
    REGISTER_LAYER_CLASS(Softmax);
    //REGISTER_LAYER_CLASS(Data);
    extern INSTANTIATE_CLASS(BatchNormLayer);
    REGISTER_LAYER_CLASS(BatchNorm);
    extern INSTANTIATE_CLASS(ScaleLayer);
    REGISTER_LAYER_CLASS(Scale);
    extern INSTANTIATE_CLASS(BiasLayer);
    REGISTER_LAYER_CLASS(Bias);
    extern INSTANTIATE_CLASS(ConcatLayer);
    REGISTER_LAYER_CLASS(Concat);
    extern INSTANTIATE_CLASS(AccuracyLayer);
    REGISTER_LAYER_CLASS(Accuracy);
    extern INSTANTIATE_CLASS(SigmoidLayer);
    REGISTER_LAYER_CLASS(Sigmoid);
}

  下面代码使我们运用caffe写的测试代码，最后生成了可执行文件，双击即可运行输出对应的分类结果。你可以参考我们的代码，修改为自己所用：

#include <caffe/caffe.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/contrib/contrib.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include "boost/algorithm/string.hpp"

#include <boost/math/special_functions/next.hpp>
#include <boost/random.hpp>
#include <boost/progress.hpp>

#include <algorithm>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>
#include "head.h"

using namespace caffe;
using namespace cv;
using namespace std;
using namespace boost;

int main(int argc, char** argv){
    // 定义输出文件,模型配置文件,模型文件,均值文件以及测试图像
    std::ofstream out_one("./质量评估结果/质量评估结果.txt");
    string model_file = "./net/deploy_val.prototxt";
    string trained_file = "./caffemodel/_iter_100000.caffemodel";
    string mean_file = "./mean_file/imagenet_mean.binaryproto";
    string dir_path = "./质量评估图片/";
    // 定义变量
    boost::shared_ptr<Net<float> > net_;        // 保存模型
    cv::Size input_geometry_;       // 模型输入图像的尺寸
    int num_channels_;          // 图像的通道数
    cv::Mat mean_;          // 根据均值文件计算得到的均值文件

    Caffe::set_mode(Caffe::CPU);        // 使用GPU
    net_.reset(new Net<float>(model_file, caffe::TEST));        // 加载配置文件
    net_->CopyTrainedLayersFromBinaryProto(trained_file);       // 加载训练好的模型修改模型参数

    Blob<float>* input_layer = net_->input_blobs()[0];      // 定义输入层变量
    num_channels_ = input_layer->channels();            // 得到输入层的通道数
    input_geometry_ = cv::Size(input_layer->width(), input_layer->height());        // 得到输入层图像的大小

    // 处理均值文件,得到均值图像
    BlobProto blob_proto;
    ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);

    /* Convert from BlobProto to Blob<float> */
    Blob<float> mean_blob;
    mean_blob.FromProto(blob_proto);

    /* The format of the mean file is planar 32-bit float BGR or grayscale. */
    std::vector<cv::Mat> channels;
    float* data = mean_blob.mutable_cpu_data();
    for (int i = 0; i < num_channels_; ++i) {
        /* Extract an individual channel. */
        cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);
        channels.push_back(channel);
        data += mean_blob.height() * mean_blob.width();
    }
    /* Merge the separate channels into a single image. */
    cv::Mat mean;
    cv::merge(channels, mean);

    /* Compute the global mean pixel value and create a mean image
    * filled with this value. */
    cv::Scalar channel_mean = cv::mean(mean);
    mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);        //得到均值图像  

    cv::Mat img, sample, sample_resized, sample_float, sample_normalized;
    Blob<float>* output_layer;
    const float* prob;
    int num = 0;
    std::vector<string> filename_sub_;
    std::vector<std::vector<int> > first_res_;
    std::vector<std::vector<int> > second_res_;
    std::vector<int> res_;

    cv::Directory dir;
    vector<string> fileNames = dir.GetListFiles(dir_path, "*", false);
    for (int i = 0; i < fileNames.size(); i++)
    {
        string img_file = dir_path + fileNames[i];
        //string img_file = fileNames[i];
        string img_file_names = fileNames[i];
        //std::cout << fileNames[i] << std::endl << img_file << std::endl;
        std::cout << "Prediction for " << fileNames[i] << " ----------" << std::endl;
        out_one << "Prediction for " << fileNames[i] << ": ";

        // reshape模型的输入尺寸
        input_layer->Reshape(1, num_channels_,
            input_geometry_.height, input_geometry_.width);
        net_->Reshape();        // 调整模型的大小
        std::vector<cv::Mat> input_channels;
        int width = input_layer->width();
        int height = input_layer->height();
        float* input_data = input_layer->mutable_cpu_data();
        for (int i = 0; i < input_layer->channels(); ++i) {
            cv::Mat channel(height, width, CV_32FC1, input_data);
            input_channels.push_back(channel);
            input_data += width * height;
        }
        // 改变图像的通道数,resize图像的大小
        //img_file = "D:/Project_Nanrui/C++/folder_test/picture/1.jpg";
        img = imread(img_file);
        //cv::imshow("img", img);
        if (img.channels() == 3 && num_channels_ == 1)
            cv::cvtColor(img, sample, cv::COLOR_BGR2GRAY);
        else if (img.channels() == 4 && num_channels_ == 1)
            cv::cvtColor(img, sample, cv::COLOR_BGRA2GRAY);
        else if (img.channels() == 4 && num_channels_ == 3)
            cv::cvtColor(img, sample, cv::COLOR_BGRA2BGR);
        else if (img.channels() == 1 && num_channels_ == 3)
            cv::cvtColor(img, sample, cv::COLOR_GRAY2BGR);
        else
            sample = img;
        // change img size 
        if (sample.size() != input_geometry_)
            cv::resize(sample, sample_resized, input_geometry_);
        else
            sample_resized = sample;
        // change ing to float
        if (num_channels_ == 3)
            sample_resized.convertTo(sample_float, CV_32FC3);
        else
            sample_resized.convertTo(sample_float, CV_32FC1);
        // img normalize 
        cv::subtract(sample_float, mean_, sample_normalized);
        // 将图像通过input_channels变量传递给模型
        cv::split(sample_normalized, input_channels);

        net_->Forward();        // 调整模型进行预测
        output_layer = net_->output_blobs()[0];
        prob = output_layer->cpu_data();
        std::cout << "图像质量评估结果: ";
        std::cout << prob[0] << " ";
        out_one << "\t图像质量评估结果为: ";
        out_one << prob[0] << "\n";
        std::cout << std::endl;
    }
    out_one.close();
    return 1;
}