读DL论文心得之Faster RCNN代码运行实验

本代码来自于论文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，所有过程来自于作者Shaoqing Ren的github。由于是同一位作者，很多地方和SPPnet是一样的。

1.软件准备

方法一：

运行fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m下载编译好的mex文件，直接使用。前提是CUDA版本与作者一样是6.5。

方法二：

如果想要自己编译Windows的caffe，前提是装好CUDA，自己编译就可以安装新一点的版本，下载faster rcnn的caffe github。
（1）下载VS2013版的解决方案（百度云），包含了相关的库。
（2）把caffe中的所有文件复制到解决方案的./caffe中。
（3）准备OpenCV、Boost、MKL的库。OpenCV可以是2.4.9或2.4.10；Boost 必须是1.57以上，注意必须对应VS2013，即msvr为12；MKL申请学生版的，安装的时候只装MKL即可。
（4）编译MATLAB接口的mex的时候配置为“Release_Mex”。
（5）对VS解决方案，修改“包含目录”和“库目录”为自己的路径，如果cuda版本不一样是载入不成功的，手动修改caffe.vcxproj中的caffe版本即可。
（6）设置“caffe”项目为启动项目。
（7）重新生成解决方案。
（8）复制.\x64\Release_Mex到faster_rcnn-master\external\caffe\matlab\caffe_faster_rcnn。
注意：
（1）如果不是用的VS2013，那还要在.\Library\leveldb中重新生成解决方案，然后复制生成的leveldb.lib到.\x64\Release_Mex。
（2）如果不是用的OpenCV2.4.9，就把.\x64\Release_Mex中相应的opencv的 dll文件复制过去。
（3）MATLAB版本是2014a。

2.硬件准备

GPU: Titan, Titan Black, Titan X, K20, K40, K80.
（1）Region Proposal Network (RPN)
2GB GPU memory for ZF net
5GB GPU memory for VGG-16 net
（2）Ojbect Detection Network (Fast R-CNN)
3GB GPU memory for ZF net
8GB GPU memory for VGG-16 net

3. 编译与准备测试

（1）运行faster_rcnn_build.m。这是编译了nms和nms_gpu的mex，nvmex.m中的所有环境变量、VS是安装路径要和自己的一致：

（2）运行startup.m，这是设置基本环境。

4. 测试demo

（1）运行fetch_data/fetch_faster_rcnn_final_model.m，下载训练好的模型。如果onedrive用不了或者太慢，去百度云。下载好以后把它解压到faster_rcnn-master文件夹下，可以看到是5个图片和output文件夹。
（2）运行experiments/script_faster_rcnn_demo.m，测试单张图像。（注意，要在faster_rcnn-master文件夹下运行。我的GTX770对于VGG16网络完全不行，ZF网络还可以，但是屏幕闪的很厉害，而且好像用光了所有显存，电脑显示变得卡顿。）速度的确很快：

5. 训练网络

（1）运行fetch_data/fetch_model_ZF.m下载在ImageNet上预训练好的ZF网络，运行fetch_data/fetch_model_VGG16.m下载在ImageNet上预训练好的VGG-16网络。解压后与faster_rcnn-master中的models文件夹合并。
（2）下载VOC 2007和VOC 2012数据到./datasets中。
（3）运行experiments/script_faster_rcnn_VOC2007_ZF.m训练ZF网络模型，它会运行如下四步：
-训练RPN并调整卷积层，在训练/测试集上计算RPN结果。
-用第一步的RPN建议框训练Fast R-CNN并调整卷积层，评估检测mAP。
-训练训练RPN并固定卷积层，在训练/测试集上计算RPN结果。
-用第三步的RPN建议框训练Fast R-CNN并固定卷积层，评估检测mAP。
（4）运行experiments/script_faster_rcnn_VOC2007_VGG16.m训练VGG-16网络模型。
（5）看看./experiments中的其他脚本，可以做更多的实验。