Faster R-CNN是當前目標檢測領域內效能最好的演算法之一，它將RPN（Region Proposal Network）網路和Fast R-CNN網路結合到了一起，實現了一個端到端的目標檢測框架。作者Shaoqing Ren在github上公開了原始碼，可以很方便地在自己的機器上進行測試。本文記錄的是Ubuntu14.04下配置和測試Faster R-CNN的過程，其中包括Caffe的安裝和編譯過程，針對的是Matlab和僅使用CPU的環境。

下載原始碼

下載原始碼faster_rcnn-master.zip以及其中的caffe原始碼，解壓至本地目錄。

安裝編譯Caffe

1.安裝依賴項[1]

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev

BLAS：

sudo apt-get install libatlas-base-dev

Python使用者需安裝，Matlab不需要：

sudo apt-get install the
 
 python-dev

GPU執行環境還需安裝CUDA，使用CPU無需安裝。 Ubuntu14.04依賴項：

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

Ubuntu12.04版本較低，需要手動安裝依賴項：

# glog
wget https://google-glog.googlecode.com/files/glog-0.3.3.tar.gz
tar zxvf glog-0.3.3.tar.gz
cd glog-0.3.3
./configure
make && make install
# gflags
 

wget https://github.com/schuhschuh/gflags/archive/master.zip
unzip master.zip
cd gflags-master
mkdir build && cd build
export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1
make && make install
# lmdb
git clone https://github.com/LMDB/lmdb
cd lmdb/libraries/liblmdb
make && make install

2.編譯
Caffe可以採用Make或者CMake兩種方式來編譯，我使用的是Make，且編譯之前需要根據個人情況修改caffe目錄下的Makefile.config.example檔案。具體需要修改的地方如下：

• 僅使用CPU的情況下，需要取消該檔案中CPU_ONLY := 1的註釋。
• 指定Matlab的安裝路徑，我的是MATLAB_DIR := /usr/local/MATLAB/R2016a。

修改完成後，執行如下命令：

cp Makefile.config.example Makefile.config
make clean
make all
make test
make runtest

採用並行的方式可以更快地完成編譯過程，只需使用`make all -j8`命令。其中數字8表示並行執行緒的數目，建議將該執行緒數目修改為機器的核心數。 為了能夠在Matlab中正常使用，還需執行以下命令：

make matcaffe

之後在matlab/+caffe/private目錄下將會生成caffe_.mex64檔案，可以直接被Matlab呼叫。

3.測試示例[2]

該模型檔案243.9M，下載完成後將其拷貝到caffe根目錄下的models/bvlc_reference_caffenet/資料夾中。

接著啟動Matlab，切換到caffe的根目錄，將caffe_.mex64的路徑新增進來，便於載入。

addpath('./matlab/+caffe/private');

切換到`matlab/demo/`目錄下，執行如下命令來測試示例：

I = imread('../../examples/images/cat.jpg');
[scores, maxlabel] = classification_demo(I, 0);

需要特別注意，classification_demo(I, 0)函式中的0表示使用CPU，如果改為1則表示GPU。執行成功後，將會返回如下資訊：

Elapsed time is 0.025054 seconds.
Elapsed time is 1.069503 seconds.
Cleared 0 solvers and 1 stand-alone nets

其中maxlabel=282，表示具有最大分類概率的是第282個類別。輸入`figure;plot(scores);`顯示所有類別上的分類概率，如下圖所示。

從圖中可以看出，該圖片被分到第282類的概率最高。至此，程式測試完成，說明Caffe安裝配置成功。

配置執行Faster R-CNN

Faster R-CNN的配置和執行十分簡單，啟動Matlab，切換到faster_rcnn目錄下。執行faster_rcnn_build.m，在僅使用CPU的情況下，Compiling nms_gpu_mex時會出錯[4]。但是其他能夠編譯成功，這裡不用擔心。

run faster_rcnn_build.m
run startup.m

獲取訓練好的模型，可以通過執行檔案下載：

run fetch_data/fetch_faster_rcnn_final_model.m

個人建議直接通過作者github主頁上的連結來下載模型，地址在主頁最後一行給出，選擇其一下載。

3.Final RPN+FastRCNN models: OneDrive, DropBox, BaiduYun

模型較大，下載完成後直接將其解壓至faster_rcnn根目錄下。

在experiments目錄下有測試檔案，因為只使用CPU，執行前需要將其設定為不使用GPU。

experiments/script_faster_rcnn_demo.m

檔案中的第3、4行需要註釋掉，第9行的opts.use_gpu改為false。以下是修改後的程式碼，

%% -------------------- CONFIG --------------------
opts.caffe_version          = 'caffe_faster_rcnn';
% opts.gpu_id                 = auto_select_gpu;
% active_caffe_mex(opts.gpu_id, opts.caffe_version);

opts.per_nms_topN           = 6000;
opts.nms_overlap_thres      = 0.7;
opts.after_nms_topN         = 300;
opts.use_gpu                = false;

opts.test_scales            = 600;

此外，由於VGG16模型較大，執行過程中會崩潰，因此將模型改為ZF，修改後如下：

% model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_vgg_16layers'); %% VGG-16
model_dir = fullfile(pwd, 'output', 'faster_rcnn_final', 'faster_rcnn_VOC0712_ZF'); %% ZF

至此，修改完畢。執行該程式，能夠正常執行說明測試成功。我的處理器是Intel® Core™ i7-2600 CPU @ 3.40GHz × 8 ，輸出如下資訊：

001763.jpg (500x375): time 3.258s (resize+conv+proposal: 2.452s, nms+regionwise: 0.806s)
004545.jpg (500x375): time 4.073s (resize+conv+proposal: 2.543s, nms+regionwise: 1.530s)
000542.jpg (500x375): time 3.064s (resize+conv+proposal: 2.526s, nms+regionwise: 0.538s)
000456.jpg (500x375): time 3.757s (resize+conv+proposal: 2.497s, nms+regionwise: 1.259s)
001150.jpg (500x375): time 3.400s (resize+conv+proposal: 2.481s, nms+regionwise: 0.919s)
mean time: 3.510s
Cleared 0 solvers and 2 stand-alone nets