一、前期環境以及準備

1、安裝python

在caffe中，python2和python3的介面都有。但frcnn中只能支援python2.7，所以千萬不要裝成python3。為了方便，不用自己去pip一大堆庫，我建議安裝anaconda2，裡面已經安裝了很多第三方的庫。

2、安裝（更新）顯示卡驅動和cuda

NVIDIA的顯示卡驅動安裝應該不用我說了吧，到官網上下載吧。我要說明一點的是，我的1080ti在安裝顯示卡驅動時，說和Windows不匹配。怎麼解決呢？更新Windows，到官網上下驅動，再安裝。成功！還有就是記得更新你的顯示卡驅動，以防老的驅動不支援cuda。

CUDA安裝的話，也是傻瓜試的安裝。提醒一點的是，不要改變他的安裝路徑，預設路徑。然後去NVIDIA的官網上下載cudnn庫，這個庫的話需要去NVIDIA註冊一個賬號，然後問你用這個來完成什麼工作之類的巴拉巴拉。這個庫長什麼樣呢？下載完解壓縮，得到一個cuda的資料夾，裡面有3個資料夾

然後開啟你的CUDA資料夾，預設路徑是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0

把cudnn庫裡面的3個資料夾裡面的檔案，分別加到cuda裡面對應的資料夾。

然後開啟cuda需要編譯的部分，預設路徑是C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0

因為我用的VS2015，那麼我就用開啟2015的那個，然後改成release執行。

至此，顯示卡計算的環境就搭建完成了。

3、cmake和git

cmake的話，我建議直接下載編譯好的能執行的檔案（到官網上下載）https://cmake.org/download/，然後解壓檔案，把bin的路徑新增到Path中。

git：因為frcnn裡面有很多linux的指令碼，你可以不用，但用的話會很方便的。所以我建議安裝git。同樣，傻瓜式的安裝，直接到官網上下載。

二、py-faster-rcnn

1、編譯caffe的python介面GPU版本（如果你編譯過了就不用了）

因為frcnn的編譯過程用需要用到python的caffe包，所以必須要先編譯一次caffe。如果你已經編譯過caffe的py介面就不用了。

你可以用git直接下載，或者在git的地址裡下載，隨便你。

git clone https://github.com/BVLC/caffe.git
cd caffe
git checkout windows
 

開啟caffe\scripts，然後編輯build_win.cmd檔案

第7行的VERSION是你VS的版本，VS2015對應的是14，VS2013對應的應該是12；第8行改為0；第9行改為0（如果你不用GPU，那就還是1）；13行的python_version是你的python版本，2.x就是2，3.x就是3；24,28行是你的python的安裝目錄，如果你是anaconda就改你的anaconda的目錄，否則就不改。

同樣69-95行同樣修改。以上2張圖是我的cmake檔案配置。

進入caffe\scripts，開啟cmd，直接執行build_win.cmd。注意他會自動下載需要的庫，因為伺服器呢都不在國內，所以我建議掛個VPN，不然你且等呢吧。

這樣cmake後呢，python的介面就已經編譯好了，不用再編譯一遍了。把caffe\python下的caffe的資料夾copy到python的第三方包的資料夾就ok。

這樣caffe的python介面就好了，你可以進cmd的python試一下import caffe。如果說，他提示少了什麼包，你直接pip這個包就好了，找不到的話，百度一下就有。但只要你跟著上面我的方法做應該不會出現什麼問題。

2、編譯py-faster-rcnn依賴庫

好了，現在你的庫應該長成這樣，有setup.py和setup_cuda.py。進cmd，install這2個檔案。

現在你肯定會遇到問題，提示你VC版本不對

怎麼辦呢，先set一下：輸入SET VS90COMNTOOLS=%VS140COMNTOOLS%，VS後面的數字就是你的版本。還有不要忘了把你VS的c1.exe加到path下。







編譯好frcnn的依賴庫後，應該是這個樣子的。

3、給caffe加frcnn的層

現在，我們再下載一個caffe，跟前面一樣，把build_win.cmd進行修改。然後我們就可以把frcnn的一些特有的層加到caffe裡編譯了。

1）新增層和檔案

     開啟py-faster-rcnn\caffe-fast-rcnn\src\caffe\layers資料夾，找到4個檔案分別為

   然後copy到你新的caffe的對應資料夾caffe\src\caffe\layers裡。

   接著我們新增標頭檔案，開啟py-faster-rcnn\caffe-fast-rcnn\include\caffe，把fast_rcnn_layers.hpp這檔案copy到caffe的對應資料夾下caffe\include\caffe。

2）配置2個新層

    開啟你的caffe\src\caffe\proto下的caffe.proto，進行編輯。

在407行左右

往原來的檔案裡新增新的層的配置資訊

  optional ROIPoolingParameter roi_pooling_param = 8266711;
  optional SmoothL1LossParameter smooth_l1_loss_param = 8266712;
message ROIPoolingParameter {
  // Pad, kernel size, and stride are all given as a single value for equal
  // dimensions in height and width or as Y, X pairs.
  optional uint32 pooled_h = 1 [default = 0]; // The pooled output height
  optional uint32 pooled_w = 2 [default = 0]; // The pooled output width
  // Multiplicative spatial scale factor to translate ROI coords from their
  // input scale to the scale used when pooling
  optional float spatial_scale = 3 [default = 1];
}
message SmoothL1LossParameter {
  // SmoothL1Loss(x) =
  //   0.5 * (sigma * x) ** 2    -- if x < 1.0 / sigma / sigma
  //   |x| - 0.5 / sigma / sigma -- otherwise
  optional float sigma = 1 [default = 1];
}

3）cmake新的caffe的python介面

    就是再執行一遍build_win.cmd就行。編譯好之後，把caffe根目錄下的python資料夾替換py-faster-rcnn\caffe-fast-rcnn的python資料夾。

三、demo

完成以上步驟你的py-faster-rcnn就已經編譯成功了。如果你想用demo測試一下的話可以用.\data\scripts裡的指令碼去下載已經訓練好的model，檔案挺大的、速度挺慢的。所以給大家提供一個百度雲https://pan.baidu.com/s/1nuAOmG5，把caffemodel檔案放在data\faster_rcnn_models，然後執行tools\demo.py就能看到結果了