rrc_detection+caffe 环境搭建/测试结果

rrc 是论文 Accurate Single Stage Detector Using Recurrent Rolling Convolution 中提出的。
论文地址为：rrc_detection
github 地址为：xiaohaoChen/rrc_detection

0. 环境

• Ubuntu 16.04
• cuda 8.0 + cudnn 5.1
• python 2.7
• protobuf 2.6.1
• opencv 3.1

因为 rrc_detection 年代比较久远了，所以用的都是一些比较旧的环境。

以上这些配置都是在我踩了无数次坑以后才得出来的，都是泪。

0.1 cuda7.5+cudnn 5.0

rrc-github 里面是说需要 cuda7.5+cudnn5.0，我一开始也是那么装的，但是因为我的显卡是 Titan Xp，根据维基百科上的 CUDA ，cuda7.5 并不支持 Titan Xp ，导致了后面 make runtest 的时候出现了错误：

Check failed: error == cudaSuccess (8 vs. 0) invalid device function

忽略这个错误直接跑训练，或者直接使用作者的预训练模型跑测试，都会出现这个错误。

0.2 cuda8.0+cudnn6.0

于是我切换到了cuda8.0，详情可见：Ubuntu 多版本 CUDA 共存

在编译的时候就会出错。

0.3 cuda8.0+不使用cudnn

然后我尝试将Makefile.config 里面的：

USE_CUDNN := 1

注释掉，然后可以正常编译和测试，但是在跑训练的时候会出现：

Check failed: error == cudaSuccess (2 vs. 0)  out of memory

就是显存不够用了，但是我已经修改了 rrc_kitti_car.py：

batch_size = 4 --> batch_size = 1
accum_batch_size = 8 --> accum_batch_size = 1

已经没办法再小了，所以我猜是因为没有 cudnn 的优化，所以占用的内存太大了。

0.4 cuda8.0 + cudnn 5.1

这个配置可以正常编译，但是在 make runtest 的时候还是会出错：

Check failed: datum.encoded() Datum not encoded

我不管这个错误，直接去跑训练，发现可以正常跑起来，虽然还不知道结果。

而且在：

batch_size = 1
accum_batch_size = 1

的情况下，12GB 的显存也几乎都占满了：

>> nvidia-smi
Thu Apr 25 12:56:33 2019       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 390.87                 Driver Version: 390.87                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  TITAN Xp            Off  | 00000000:01:00.0  On |                  N/A |
| 45%   72C    P2    79W / 250W |  11065MiB / 12194MiB |      5%      Default |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0       999      G   /usr/lib/xorg/Xorg                           116MiB |
|    0      1702      C   ./build/tools/caffe                        10937MiB |
+-----------------------------------------------------------------------------+

---

注意：因为我是 zsh 用户，所以配置文件使用的是 ~/.zshrc，下文中遇到 ~/.zshrc 的地方，bash 用户请自行更换为 ~/.bashrc。

---

1. 安装caffe

1.1 安装依赖包

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

安装完以后，自动拥有了 protobuf 2.6.1了。

将代码克隆到本地：

git clone https://github.com/xiaohaoChen/rrc_detection.git

我这里的目录是：

/home/memory/code/rrc_detection

后面我们称之为 $CAFFE_ROOT，遇到 $CAFFE_ROOT 的地方，请自行更换为自己的路径。将其添加到配置文件中：

sudo gedit ~/.zshrc		# zsh 用户
sudo gedit ~/.bashrc	# bash 用户

在后面添加：

export PYTHONPATH=$CAFFE_ROOT/python:$PYTHONPATH	# 将 $CAFFE_ROOT 换成你自己的路径

然后：

source ~/.zshrc

1.2 python 环境配置

我使用的是 Anaconda 创建的环境，使用 python2.7 创建一个环境，我的环境是：rrc_env.

启动环境，进入 $CAFFE_ROOT：

source activate rrc_env
cd $CAFFE_ROOT

安装依赖的 python 库：

pip install nump