运行Fast R-CNN的代码

标签（空格分隔）： vision

FR-CNN是Ross Girshick的新作，从文章来看FR-CNN比R-CNN和SPPNet都快很多。当然R-CNN和SPPNet也都是Girshick的作品，FR-CNN的正确率不仅超越Girshick自己的嫡出，也超过了DPM等其他方法。

FR-CNN正如文章所说的是一个简单，并且Elegant的框架。和那些Pipeline的模型相比，的确是优雅很多的。当然FR-CNN本身也可以看作是一个Pipeline，只不过这个Pipeline只有两个步骤，一是Pretrain的CNN，第二个是Region Pooling和Fully connected Network（FC）。

我认为优雅之处在于：

• 文章采用了多目标的函数，所以把分类问题和Localization问题一起解决了。
• 最终的目标函数可以用于Fine tune Pretrained CNN （当然也不是每一层都能Train）。这样看起来就是一个统一的框架了。

Contents

1. Basic system information
2. Basic Hardware info

Basic Hardware info

1. For training smaller networks (CaffeNet, VGG_CNN_M_1024) a good GPU (e.g., Titan, K20, K40, …) with at least 3G of memory suffices
2. For training with VGG16, you’ll need a K40 (~11G of memory)
   目前的GPU只有GTX750i，显存只有2G，按照说明如果要使用GPU至少要3G的显存。所以只能在CPU上面Run这个代码。

Basic system information

使用Ubuntu Linux 14.04桌面版：

~$ uname -aLinux cis-ubuntu-1 3.13.0-24-generic #46-Ubuntu SMP Thu Apr 10 19:11:08 UTC 2014 x86_64 x86_64 x86_64 GNU/Linux
1
2
1
2

---

需要安装的基础软件

可能你的机器上没有cython, easydict

sudo pip install cythonsudo pip install easydict
1
2
1
2

安装Opencv

按照这个网页的方法：
http://www.samontab.com/web/2014/06/installing-opencv-2-4-9-in-ubuntu-14-04-lts/

最后测试一下Python

python ~/opencv-2.4.9/samples/python2/turing.py
1
1

安装Caffe (berkeley开发的一个Deep Learning的框架)

参考:我的安装Caffe的过程

---

安装 Fast R-CNN

1. 下载源代码：

git clone --recursive https://github.com/rbgirshick/fast-rcnn.git
1
1

下载代码的目录，命名为$FRCN_ROOT。

1. 编译Cython:

cd $FRCN_ROOT/libmake
1
2
1
2

1. 编译Caffe and pycaffe：

cd $FRCN_ROOT/caffe-fast-rcnncp Makefile.config.example Makefile.config   #用例子文件作为模板vi Makefile.config  # 按照你的机器设置进行修改。make -j8 && make pycaffe
1
2
3
4
1
2
3
4

1. 下载pre-computed Fast R-CNN detectors
   大概985M, 用了一个小时。

cd $FRCN_ROOT./data/scripts/fetch_fast_rcnn_models.sh
1
2
1
2

---

运行演示

cd $FRCN_ROOT./tools/demo.py --cpu
1
2
1
2

碰到的问题：

1. 错误： ImportError: No module named skimage.io

sudo pip install scikit-image
1
1

1. 错误： ImportError: No module named google.protobuf.internal

sudo find / -name protobuf   /usr/include/google/protobuf  # 只有C版本的protobufapt-get install python-protobuf
1
2
3
1
2
3

然后终于可以运行了。
在AMD的机器上，500×406的街景图片，用来63秒。（还不包括Selective Search计算Proposal的部分，因为这部分是事先计算好的。）

运行的结果看起来还不错，对路边的车辆都能识别出来。

对代码还有很多不明白之处（150523）。

1. 为什么安装好了Caffe以后，安装Fast R-CNN的时候，还需要make caffe?