py-faster-rcnn + opencv3.0.0 + ubuntu16.04配置(CPU模式)
最近开始做行人检测,因此开始接触faster-rcnn,这里贴上配置教程(亲测可行),不过是基于cpu的,蓝瘦。。。
参考博客:http://www.tuicool.com/articles/nYJrYra(opencv配置)
http://blog.csdn.net/sinat_17196995/article/details/53410292(faster-rcnn配置)
环境:ubuntu16.04
一、首先要配置好opencv
这里我是在opencv官网上下载了opencv-3.0.0-rc1(版本最好3.0.0以上),然后开始安装opencv所需的库(编译器、必须库、可选库)
1 [compiler] sudo apt-get install build-essential 2 [required] sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev 3 [optional] sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
然后开始编译opencv,将下载得到的opencv3.0.0解压:
unzip opencv- 3.0. 0-rc1. zip
创建编译目录,编译:
cd ~/opencv-3.0.0-rc1 mkdir release cd release cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local .. make sudo make install
最后测试一下我们的opencv:
(1)创建工作目录
mkdir ~/opencv-lena cd ~/opencv-lena gedit DisplayImage.cpp
(2)编辑如下代码:
#include <stdio.h> #include <opencv2/opencv.hpp> using namespace cv; int main(int argc, char** argv ) { if ( argc != 2 ) { printf("usage: DisplayImage.out <Image_Path>\n"); return -1; } Mat image; image = imread( argv[1], 1 ); if ( !image.data ) { printf("No image data \n"); return -1; } namedWindow("Display Image", WINDOW_AUTOSIZE ); imshow("Display Image", image); waitKey(0); return 0; }
(3)创建CMake编译文件:
gedit CMakeLists.txt
在其中输入如下内容:
cmake_minimum_required(VERSION 2.8)
project( DisplayImage )
find_package( OpenCV REQUIRED )
add_executable( DisplayImage DisplayImage.cpp )
target_link_libraries( DisplayImage ${OpenCV_LIBS} )
(4)编译
cd ~/opencv-lena
cmake .
make
(5)执行
此时opencv-lena文件夹中已经产生了可执行文件DisplayImage,下载lena.jpg放在opencv-lena下,运行下面命令:
./DisplayImage lena.jpg
(6)结果:
二、开始配置CPU模式的py-faster-rcnn:
第一步:下载源码和demo模型数据
先cd到你想保存的目录,然后运行
git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git
(这里注意一下,最好用clone命令,因为我自己尝试过几次在github官网上下载它,下载文件不全,没有caffe-fast-rcnn文件,完整的文件大小在40M左右)
在下载好的py-faster-rcnn的文件夹下运行
./data/scripts/fetch_faster_rcnn_models.sh
模型数据下载。
第二步:编译cpython模块
进入lib文件夹下,首先修改下set.py文件的内容,注释掉
GPU的相关代码。参考如下:(…表示中间又不用注释跳过去的内容)
…
#CUDA = locate_cuda()
…
# self.set_executable(‘compiler_so’, CUDA[‘nvcc’])
…
# Extension(‘nms.gpu_nms’,
# [‘nms/nms_kernel.cu’, ‘nms/gpu_nms.pyx’],
# library_dirs=[CUDA[‘lib64’]],
# libraries=[‘cudart’],
# language=’c++’,
# runtime_library_dirs=[CUDA[‘lib64’]],
# # this syntax is specific to this build system
# # we’re only going to use certain compiler args with nvcc and not with
# # gcc the implementation of this trick is in customize_compiler() below
# extra_compile_args={‘gcc’: [“-Wno-unused-function”],
# ‘nvcc’: [‘-arch=sm_35’,
# ‘–ptxas-options=-v’,**
# ‘-c’,
# ‘–compiler-options’,
# “’-fPIC’”]},
# include_dirs = [numpy_include, CUDA[‘include’]]
# ),
…
修改完之后保存退出,在lib目录下执行 make命令。
第三步:修改faster-rcnn编译文件
进入caffe-fast-rcnn目录,首先执行cp Makefile.config.example Makefile.config
大部分跟caffe安装一样,下面修改Makefile.config
参考如下:
# USE_CUDNN := 1 注意这里一定要注释掉,下面显示的是不用注释的部分。 (这里有关路径可以参照当时自己配置好的caffe中的路径来)
…
CPU_ONLY := 1
…
BLAS := atlas
BLAS_INCLUDE := /usr/include/atlas-x86_64-base (这里每个人可能不一样,按照自己的路径来就行)
BLAS_LIB := /usr/lib64/atlas
…
PYTHON_INCLUDE := /usr/include/python2.7 \
/usr/lib64/python2.7/site-packages/numpy/core/include (这里要注意一点,因为可能大多数都用的anaconda的IDE,那么路径就要改为n你anaconda的路径,并且你在后面运行faster-rcnn,如果它提示你缺少什么库,你就用pip下载那个库,还要放到anaconda的site-packages,才算在anaconda中导入了这个库)
…
PYTHON_LIB := /usr/lib64
…
WITH_PYTHON_LAYER := 1
…
INCLUDE_DIRS := (PYTHONINCLUDE)/usr/includeLIBRARYDIRS:=(PYTHON_LIB) /usr/lib64
…
BUILD_DIR := build
DISTRIBUTE_DIR := distribute
然后运行 cd /home/**(您服务器的名字)/py-faster-rcnn/caffe-fast-rcnn
mkdir build
cd build
cmake ..
make -j8
make test
make runtest -j8
make pycaffe
以上是检验你的caffe和Python接口编译有没有问题。
(补充一点,由于不用gpu,所以你在运行runtest估计会出错,关于gpu的错误,可以不用执行这一步)
第四步:运行demo
在tools文件下 运行 ./demo.py –cpu
如果报错,缺少一些东西,可能是一些库文件没有下载,根据错误提示下载就好。
如果提示一下错误:ImportError: No module named gpu_nms
不要着急,在py-faster-rcnn下搜索nms_wrapper.py打开它修改
force_cpu =True
也建议把nms_wrapper.py的第9行 from nms.gpu_nms import gpu_nms 注释掉。然后运行demo,等一会就出来一些标记目标的图片,就成功啦。
最后的最后,配置cpu的前提是你的机子内存要大,至少要8g,楼主的4g根本跑不起来demo(提示说核心已转储,就是说内存访问超出边界,内存不够,或许缩小点图片或者换个网络可以,但终究太慢太慢),所以这个cpu配置仅供参考。。。。