Fast-RCNN安装与使用（跑demo）

Fast-RCNN是一个基于深度卷积神经网络（deep ConvNets）实现的快速目标检测框架，代码作者Ross Girshick在RCNN的基础上增加了Multi task training，使得整个的训练过程和测试过程比RCNN快了许多。Fast-RCNN主要有以下特点：

• 训练先进的模型比如VGG16，比RCNN快9倍，比SPPnet快3倍
• 在检测时比RCNN快200倍，比SPPnet快10倍
• 在PASCAL VOC数据集上mAP比RCNN和SPPnet有显著提高
• 基于Python、C++和caffe

1.安装前的准备

• caffe
  fast-rcnn是基于caffe写的，所以必须要安装caffe，因为rbg的demo是用python写的，所以还要保证pycaffe编译通过。具体的Makefile.config文件请参考这里。安装过程中有可能提示缺少cython，python-opencv，easydict，这些问题我没遇到，这些都是依赖的一些东西，如果遇到请安装一下。

• GPU
  CPU训练和检测速度太慢了，所以我们需要一个好的GPU，作者提供了几种预训练的模型，分别是S号模型CaffeNet，M号模型VGG_CNN_M_1024,这两个模型需要至少3G内存的Titan,K20,K40 GPU。如果训练L号模型VGG16，则必须11G内存的K40，这里我用的是K40的服务器。

2.安装

• clone rbg的代码
  要想用fast-rcnn第一步肯定是clone rbg的代码，地址在这里。和官方提示一样，我假定代码放在$FRCN_ROOT下。
• build cython

cd $FRCN_ROOT/lib
make 

在进行这一步前保证自己的gcc版本是4.9.x ，我安装前因为别的原因把自己的gcc降到了4.7.x，结果在编译的时候无论如何也通不过，gcc一直提醒找不到某个命令，最后把gcc的库文件修改了才算通过，所以切记要确保编译前gcc版本问题。查看gcc版本命令：

gcc --version

• build caffe & pycaffe
  build前需要参考rbg的Makefile.config文件修改，最重要的是要打开Python layers：

WITH_PYTHON_LAYER := 1

其他地方也不能照搬，比如我用的是MKL，而rbg用的是blas，要对这些部分进行修改，需要更改的还包括是否用cuDNN，各种路径的修改。
修改之后运行命令编译，可以选择-j16，编译的更快一些。

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

• 下载rbg训练好的的模型
  用编辑器打开$FRCN_ROOT/data/scripts/fetch_fast_rcnn_models.sh，
  
  把里面的链接拷到浏览器里打开，如下图：
  
  如果仅仅是为了跑一下rbg的demo，那就下载图中红圈标记的model，其他的数据是为了训练或者做别的实验需要的数据。
  下载之后放到$FRCN_ROOT/data下解压。到这一步，为了跑demo进行的准备工作算是全部做完了。

3.跑demo

这是最简单的一步了，运行python写的脚本文件就行了。

cd $FRCN_ROOT/tools
./demo.py

效果如下面图：

前三张是rbg的官方demo跑出来的结果，最后一张是我找了一副图片用EdgeBoxes提完proposals之后的效果，由此可见，rbg训练出来的model还是比较好用的，在这种复杂场景下的检测结果依然还不错。

参考资料：
1.fast-rcnn源码
2.paper：《Fast R-CNN》
3.楼燚(yì)航的blog FastRCNN 训练自己数据集