FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開，過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fast RCNN中，提取OP的過程和訓練過程仍然是分離的。因此我們在訓練過程中，需要用OP的方法先把影象OP提取好，再送入Fast RCNN中訓練，在檢測過程中也是如此需要先把相應的測試影象的OP提取出來送入檢測。

首先我要說的是如何安裝Fast RCNN環境，具體的流程在Ross Girshick的Github上有，他裡面主要是講解了如何安裝和使用。我會稍微提到這一部分內容，主要講解，如果要訓練自己的資料，應該修改那些地方，並把我自己訓練的過程跟大家分享一下。

1.當然是Git clone一下Ross的工程啦

這裡不要忘了加--recursive

2.在這裡簡單介紹一下工程目錄

首先工程的根目錄簡單的稱為 FRCN_ROOT，可以看到根目錄下有以下幾個資料夾

• caffe-fast-rcnn

  這裡是caffe框架目錄

• data

  用來存放pretrained模型 比如imagenet上的，以及讀取檔案的cache快取

• experiments

  存放配置檔案以及執行的log檔案，另外這個目錄下有scripts 用來獲取imagenet的模型，以及作者訓練好的fast rcnn模型，以及相應的pascal-voc資料集

• lib

  用來存放一些

  Python介面檔案，如其下的datasets主要負責資料庫讀取 config負責cnn一些訓練的配置選項

• matlab

  放置matlab與python的介面，用matlab來呼叫實現detection

• models

  裡面存放了三個模型檔案，小型網路的CaffeNet 大型網路VGG16 中型網路VGG_CNN_M_1024

• output

  這裡存放的是訓練完成後的輸出目錄，預設會在default資料夾下

• tools

  裡面存放的是訓練和測試的Python檔案

3.編譯Cython module

cd $FRCN_ROOT/lib
make

進入lib目錄直接make就可以了

4.編譯Caffe and pycaffe

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

這裡需要注意的是你直接make -j8 && make pycaffe是會報錯的，

可以看到圖中是是沒有Makefile.config檔案，但是作者有一個Makefile.config.example檔案，你需要複製它一下然後重新命名為Makefile.config

需要注意的是裡面還有幾個配置需要新增

• 開啟 USE_CUDNN = 1，這個選項預設情況下時關閉的，讓CUDA支援DNN

• 開啟 WITH_PYTHON_LAYER = 1,這個在預設情況下也是關閉的，FastRCNN需要支援Python介面，因此需要開啟

• Fast RCNN需要hdf5的支援，這個根據自己的Linux裡的庫檔案安裝路徑新增，不清楚的可以find一下，不過一般情況下，INCLUDE_DIRS 應該新增上 /usr/include/hdf5/serial LIBRARY_DIRS 新增上 /usr/lib/x86_x64-linux-gnu/hdf5/serial

• 另外把USE_PKG_CONFIG = 1 記得開啟，要不然會找不到一些庫檔案，PKG是Linux用來管理庫檔案

這幾個是需要在Makefile.config.example中修改的，最好直接copy一個再修改。
另外還有一個需要注意的地方是，當初樓主的linux版本太高，ubuntu這玩意更新太快了，boost庫的版本太高，Fast RCNN裡面用的是1.55版本的boost庫，當時我電腦上是1.59，會出現介面不相容，記得是廢棄了幾個介面，編譯報錯，裝回1.55的就可以了

5.下載相應的模型檔案

Ross給出的操作是這樣的，其實我不推薦這麼弄，因為直接用wget去下載的速度比較慢，我們可以開啟裡面的shell檔案，把url粘貼出來，到迅雷裡面下載，幾分鐘就好了

cd $FRCN_ROOT
./data/scripts/fetch_fast_rcnn_models.sh

這裡以相應的 imagenet_model為例，你到目錄下可以看到3個shell檔案，分別是fetch_fast_rcnn_models.s h,fetch_imagenet_models.sh,fetch_selective_search_data.sh，第一是作者訓練好的fast_rcnn模型，第二個是imagenet_model上預訓練好的模型，第三個對應著的是作者基於Pascal VOC資料集提取的selective_search預選框。如果想要看一下fast rcnn的效果，可以直接載入Ross訓練好的fast_rcnn模型，如果要自己訓練的話，記得載入imagenet模型

這裡是imagenet_model的shell檔案，看家裡面的URL了沒，最後的URL連結就是這個連結再加上FILE變數，連結，你直接把它連結起來，複製到迅雷中下載就可以了，速度灰常快，直接下載的話炒雞慢啊。
下在之後記得放到data/目錄下去解壓哦，

6.執行網路和載入模型檔案

在tools下面有個demo.py檔案

cd $FRCN_ROOT
./tools/demo.py

就可以直接執行，記得看一下里面的引數，這裡對顯示卡有一定的要求，Ross說必須是3G的視訊記憶體以上才可以跑的動哦，裡面有3個大小的網路caffenet是最小的，有顯示卡應該就能跑起來，vgg_cnn_m_1024是一箇中型網路，vgg16是大型網路，後兩個得看顯示卡的視訊記憶體大小才能跑起，視訊記憶體不夠啟動會報錯的。

如果在cpu模式下的話速度是灰常慢的，GPU模式下大概0.2秒左右。

對了demo裡面都是有顯示的函式的，如果你是在linux終端下沒有輸出裝置執行是會報錯的

正確執行的結果如下
裡面有兩個圖片檢測效果，這裡放一張

7.關於訓練自己的資料樣本

請等待下一篇 過兩天就放上來 FastRCNN 訓練自己資料集 (2介面修改訓練)