Faster R-CNN tensorflow版本，cpu下运行demo
官方给出的Faster R-CNN的代码是caffe框架下的，我对caffe不是很了解，一直用的是tensorflow环境，所以去网上找了一下用tensorflow实现的Faster R-CNN。找到了一篇博客https://www.cnblogs.com/toone/p/8433581.html，作者使用的是一个github上Xinlei Chen的tensorflow版本的faster rcnn代码。这里贴出github链接https://github.com/endernewton/tf-faster-rcnn
首先，按照博客里面作者的步骤，一步步实现，但是我是在自己的台式机上跑的，没有GPU，因此需要做一些修改。下面走一遍整个流程，记录下踩过的坑。
1.本机环境
ubuntu16.04
无GPU
tensorflow版本是1.7.0
python版本2.7.13 （anaconda安装，虽然系统自带python，但是使用anaconda安装可以一次性将大部分机器学习中用到的包装好，所以建议使用anaconda安装）
cython版本0.25.2
opencv-python(该博客使用的是这个，但是我装的是opencv-contrib-python3.4.1.15，也没问题，看网上说，带contrib的会有很多好处，我对这个了解不多，所以先装再看)
easydict版本1.7(博客作者用的1.6，感觉有装就可以，版本关系不大)
2.下载github项目代码和数据
git clone https://github.com/endernewton/tf-faster-rcnn.git
我是直接在home目录下建了一个我自己的文件夹jcm，然后在这个文件夹上右击，在此处打开终端，输入上面的命令就可以将整个项目代码下载到jcm文件夹下。
3.修改配置
在lib文件夹下有个setup.py文件，里面可以设置CPU和GPU的参数。如图所示
我这里没有GPU，所以选择cpu运行，此处必须做相应的修改，因为代码默认是在GPU下运行，所以按照后面编译的命令执行时会报错。
python setup.py build_ext --inplace
Traceback (most recent call last):
File "setup.py", line 58, in
CUDA = locate_cuda()
File "setup.py", line 46, in locate_cuda
raise EnvironmentError('The nvcc binary could not be '
EnvironmentError: The nvcc binary could not be located in your $PATH. Either add it to your path, or set $CUDAHOME
make: *** [all] 错误 1
问题解决：
首先按照github里面的readme，只要将USE_GPU_NMS 由原来的True改为False就可以。但是我改完发现，后面编译的时候还是会报错。
苦苦查询了很久，终于在一个贴吧找到了解决办法，地址为https://zhidao.baidu.com/question/505011922.html
我这里总结下需要修改的位置：
（1）修改lib/model/nms_wrapper.py
按照图中箭头所指示的地方，将代码注释，作用就是为了直接禁用掉GPU模式
（2）lib/setup.py
需要注意的是，不要直接用三个引号的方式整块注释，要一行一行注释。
4.链接cython 模块
在lib目录下打开终端，输入
make clean
make
cd ..
如果按照前面的步骤，把GPU配置的代码注释，应该可以成功编译（不报错）。
此时终端回到主目录tf-faster-rcnn
5.安装 Python COCO API，这是为了使用COCO数据库
cd data
git clone https://github.com/pdollar/coco.git
cd coco/PythonAPI
make
cd ../../..
此时终端的目录是主目录tf-faster-rcnn
6.运行Demo 和测试预训练模型
（1）下载预训练模型
要用到的模型 voc_0712_80k-110k.tgz ，按照readme里面给的sh文件下载可能会有网络问题，下载不下来。这个文件可以手动下载（百度云备份：https://pan.baidu.com/s/1kWkF3fT），下载之后放到 data文件夹中就行。使用命令
tar xvf voc_0712_80k-110k.tgz
解压得到voc_2007_trainval+voc_2012_trainval文件夹
（2）建立预训练模型的软连接
NET=res101
TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval
mkdir -p output/${NET}/${TRAIN_IMDB}
cd output/${NET}/${TRAIN_IMDB}
ln -s ../../../data/voc_2007_trainval+voc_2012_trainval ./default
cd ../../..
在data目录下运行终端，运行完前三条命令，会新建一个目录tf-faster-rcnn/data/output/res101/voc_2007_trainval+voc_2012_trainval
然后运行第四条命令，终端进入voc_2007_trainval+voc_2012_trainval文件夹，运行第五条命令，产生一个名字为default的链接文件，但是...此处需要注意，按照这条命令，从终端的tf-faster-rcnn/data/output/res101/voc_2007_trainval+voc_2012_trainval路径开始,执行../../../后的终端目录是tf-faster-rcnn/data，而此时后半部分命令是data/voc_2007_trainval+voc_2012_trainval ./default这里可以发现，当前目录和后半部分的data重复了，按照这个执行下去，不会报错，
但是双击打开这个default，会提示所链接的文件不存在。
当后面跑demo时，会自动根据这个default去链接训练好的模型文件，这种情况下的default是无效的，直接报错。所以这里的第5条命令需要修改为：
ln -s ../../../voc_2007_trainval+voc_2012_trainval ./default
也就是把data/去掉，这时打开default会显示链接到的四个模型文件。
此时，运行最后的一条命令，将终端目录切换到了data目录下
（3）运行demo
博客中的代码是这样的，也是github里面给出的
GPU_ID=0
CUDA_VISIBLE_DEVICES=${GPU_ID} ./tools/demo.py
但是，我是直接用cpu进行处理，所以直接运行demo.py文件，注意...,上一步最后的目录是停在了data下，所以不能直接运行./tools/demo.py
而是需要将目录切换到主目录下才能访问tools文件，所以最终的命令是：
../tools/demo.py
运行结果为：
这个demo里面自带5张照片：
运行后的预测结果为12张图像：
到此结束~