caffe學習（四）：py-faster-rcnn配置，執行測試程式（Ubuntu）
上一篇部落格中講了在Ubuntu下安裝caffe的經驗總結（各種問題，簡直懷疑人生了）。部落格連結：點我開啟
faster-rcnn有兩個版本，分別是Python的和MATLAB的。這裡介紹python版本的faster-rcnn的配置。
網上有很多相關的教程，起初我在配置時也被一些部落格坑了，這裡分享一下除錯和解決問題的過程。
下載工程
輸入指令：
git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git- 1
由於Git的速度有點慢，所以可以選擇直接訪問他的網址，在github上直接下載。連結：點我開啟
我是直接在github上下載的，下載完後發現了caffe-faster-rcnn資料夾中是空的。所以還需要另外下載caffe-faster-rcnn資料夾，可以選擇使用指令：
cd caffe-fast-rcnn
git submodule update --init --recursive- 1
或者直接點選，進入caffe-faster-rcnn，進行下載。下載後拷貝到py-faster-rcnn目錄下即可。
安裝Caffe依賴包
安裝一些要用的依賴包，否則編譯時會報錯。
sudo apt-get install python-pip
sudo pip install cython
sudo pip install easydict
sudo apt-get install python-opencv每個人裝的都不一樣，少了哪個就裝哪個吧。我編譯的時候少了easydict和python-
補充：有一個朋友安裝easydict時發現輸入指令後安裝成功，但是在python shell下import easydict報錯。這種情況可以重啟一下，再試試能不能正常import easydict。有可能是配置還沒立即生效。
編譯caffe
預設用$RCNN_ROOT表示下載下來的py-faster-rcnn目錄所在的路徑。
cd $RCNN_ROOT/lib
make -j8
-j8是使用多核編譯，這樣編譯速度快一點。
輸入指令：
先進入到caffe-fast-rcnn目錄下：
cd $RCNN_ROOT/caffe-fast-rcnn複製Makefile.config.example為Makefile.config。
cp Makefile.config.example Makefile.config編輯Makefile.config。
sudo gedit Makefile.config在Makefile.config中有兩處要改。
# In your Makefile.config, make sure to have this line uncommented
WITH_PYTHON_LAYER := 1
# Unrelatedly, it's also recommended that you use CUDNN
USE_CUDNN := 1把前面的註釋去掉即可。
WITH_PYTHON_LAYER必須開，否則會報錯。
USE_CUDNN建議開，但是由於程式碼提供者的caffe版本是老版本的，沒有”與時俱進“，所以只相容CUDNN 較老版本的。我裝的是v5.0版本的，開了它就會報錯。
解決辦法有兩種：一、更換CUDNN的版本為老版本的v3.0或是v4.0的；二、註釋掉CUDNN那句程式碼，我是直接註釋掉了，使用也不影響。
推薦使用cuDNN，由於不想重新折騰CUDNN，我就沒有更換為老版本的。暫時還沒找到相對好的解決辦法，如果找到了其他會再補充。
—————————————————2017.7.30 補充————————————————-
我使用的是cuDNN v5版本，不能支援py-faster-rcnn。今天找到了一個不需要更換cuDNN，就能使cuDNN v5也能相容py-faster-rcnn。
參考連結：faster rcnn +cudnn V5
其中給出了兩種方法：
一種是到github去下載新版的caffe並將它與py-faster-rcnn中的caffe-faster-rcnn合併，更換成新版的caffe，使其支援cuDNN v5版本；
另一種是自己手動更改一些檔案，更改caffe的一些配置使其相容cuDNN v5。
第一種方法較簡單，但是一旦工程被修改過就很容易出錯，不推薦；所以我採用了第二種方法。
1、用最新版本的caffe原始碼目錄中的如下檔案替換py-faster-rcnn/caffe-fast-rcnn中的對應檔案。
include/caffe/layers/cudnn_relu_layer.hpp,
src/caffe/layers/cudnn_relu_layer.cpp,
src/caffe/layers/cudnn_relu_layer.cuinclude/caffe/layers/cudnn_sigmoid_layer.hpp,
src/caffe/layers/cudnn_sigmoid_layer.cpp,
src/caffe/layers/cudnn_sigmoid_layer.cuinclude/caffe/layers/cudnn_tanh_layer.hpp,
src/caffe/layers/cudnn_tanh_layer.cpp,
src/caffe/layers/cudnn_tanh_layer.cu
2、用caffe原始碼中的這個檔案替換掉faster rcnn 對應檔案
include/caffe/util/cudnn.hpp
3、開啟 py-faster-rcnn/caffe-fast-rcnn 中的 src/caffe/layers/cudnn_conv_layer.cu檔案，並將：
cudnnConvolutionBackwardData_v3
替換為
cudnnConvolutionBackwardDatacudnnConvolutionBackwardFilter_v3
替換為
cudnnConvolutionBackwardFilter
修改之後，即使不註釋USE_CUDNN := 1，在編譯時也不會報錯了。
修改完成之後就可以編譯了：
make -j8
make pycaffe -j8編譯caffe工程和caffe的python支援，要等一會兒。
make完的結果：
make pycaff完的結果：
獲取faster_rcnn_models
輸入指令：
cd $RCNN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh好了，這裡給出一個翻牆下載的方法，速度也還可以。
用https://mm.ww.rrjs.pw/翻牆下載，這是一個網頁代理，在網頁輸入你想要訪問的地址，它會幫你跳轉到國外的網站去。
在網頁下輸入：
https://dl.dropboxusercontent.com/s/o6ii098bu51d139/faster_rcnn_models.tgz?dl=0
這個url可以在fetch_faster_rcnn_models.sh中查到。
點選開始瀏覽，即可進行下載了。我下載下來有728.6MB。
把這個檔案移到$RCNN_ROOT/data下，將其解壓。
指令和結果截圖：
獲取imagenet_models
方法同faster_rcnn_models。
網上通用的方法是：
cd $RCNN_ROOT
./data/scripts/fetch_imagenet_models.sh如果有別的較快的翻牆手段的，或者自己買了vpn的，都可以直接輸入指令下載。
檔案有1.1GB。把它複製到$RCNN_ROOT/data下，解壓。
指令和結果截圖：
測試demo.py檔案
先直接執行demo.py看看吧：
cd $RCNN_ROOT
./tools/demo.py
我執行後出現了錯誤：
Loaded network /home/xhb/Study/Caffe_Study/py-faster-rcnn-master/data/faster_rcnn_models/VGG16_faster_rcnn_final.caffemodel
F0726 11:58:39.877975 3897 syncedmem.cpp:56] Check failed: error == cudaSuccess (2 vs. 0) out of memory
*** Check failure stack trace: ***
已放棄
意思是，在載入VGG16_faster_rcnn_final.caffemodel時出錯。查閱資料，發現這是因為gpu的視訊記憶體不夠。
如果是自己訓練和測試模型，可以去更改配置檔案中的batch_size，將test和train的batch_size都改為1。我們只是測試別人訓練的模型也沒法更改了。
起初我也很困惑，明明我的gpu視訊記憶體有4G，而這個要求的應該是3G，應該是可以的。試了很多方法，但是還是會報錯。
下面是官方給出的說明：
- For training smaller networks (ZF, VGG_CNN_M_1024) a good GPU (e.g., Titan, K20, K40, …) with at least 3G of memory suffices
- For training Fast R-CNN with VGG16, you’ll need a K40 (~11G of memory)
- For training the end-to-end version of Faster R-CNN with VGG16, 3G of GPU memory is sufficient (using CUDNN)
退一步考慮，我們下載下來的faster_rcnn_models模型中有兩個：
VGG16_faster_rcnn_final.caffemodel
ZF_faster_rcnn_final.caffemodelVGG16是大型模型，而ZF模型則是較小的模型。
所以我們換成使用ZF模型進行測試。
方法一：
使用如下指令：
./tools/demo.py --net zf方法二：
由於預設使用VGG16模型，所以修改為使用ZF模型。
開啟demo.py：
定義了一個字典，有兩個模型，VGG16和ZF。
修改vgg16為zf，這樣預設載入的就是zf的模型而不是vgg16的了。
儲存一下，可以開始測試了。
輸入指令：
cd $RCNN_ROOT
./tools/demo.py測試結果：
自動載入圖片進行測試，識別出的東西會用紅框標出。
這次只是跑了一個faste-rcnn，依然還有很多問題，後面解決了還會補上解決方案。
我使用的是gpu版本的caffe，如果要使用CPU版本的caffe，可以參考這篇部落格：ubuntu16.04+py-faster-rcnn+ZF執行demo.py。 修改一些東西，使用步驟大致一樣。
—————————————————2017.7.30 補充————————————————-
今天我在文章中補充了cuDNN v5不相容的解決辦法。
之前我跑vgg16的模型總是說視訊記憶體不夠，最後選擇了使用zf模型，在我今天開啟了cuDNN後重新編譯了caffe，重新執行發現能夠正常使用vgg16的模型了。
總結一下：
我的筆記本帶的gpu記憶體是4G。
只有開啟了cuDNN支援後，要求gpu至少有3G的視訊記憶體，可以正常使用vgg16、zf等模型；
若不開啟cuDNN支援，編譯也可以正常通過，但是隻有zf可以使用，使用vgg16模型會報錯，提示視訊記憶體不夠。
執行VGG16模型的結果：
