在Ubuntu系统、CPU模式下运行Fast R-cnn代码

具体步骤
1.安装并配置好caffe及python接口（前提工作）
读者可以参考我的另一篇博客http://blog.youkuaiyun.com/tilltheworldend/article/details/78848334

2.从Github上下载Fast R-cnn的源代码
使用下载命令：
git clone –recursive https://github.com/rbgirshick/fast-rcnn.git
必须加上–recursive，才能递归下载所有相关链接中的内容。

3.下载一些基础软件
依次执行以下命令：
sudo apt-get install python-pip

sudo pip install cython

sudo apt-get install python-opencv

    sudo pip install easydict
    如安装不成功，请确认机器是否能上网。若能上网但仍安装不成功，请打开“软件和更新”更改软件源。

4.安装atlas
sudo apt-get install libatlas-base-dev

5.生成Cython模块
进入fast-rcnn目录下的lib，输入
cd <自己的安装目录>/fast-rcnn/lib

    编译，输入：
    make
    根据提示有可能需输入make install

6.编译caffe和pycaffe
进入fast-rcnn/caffe-fast-rcnn目录
cd <自己的安装目录>/fast-rcnn/caffe-fast-rcnn

将Makefile.config.example 模板复制一份为Makefile.config 
cp Makefile.config.example Makefile.config

打开Makefile.config修改配置
    我们是在仅cpu下运行代码的，所以：
    USE_CUDNN=1，这个选项默认情况下时关闭的，保持不变

CPU_ONLY := 1 我们只用到了cpu，将前面的#取消掉。

WITH_PYTHON_LAYER = 1,这个在默认情况下也是关闭的，Fast RCNN需要支持Python接口，   因此需要打开。

将    INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
        LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
改为  INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
    LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial

 USE_PKG_CONFIG=1记得打开，要不然会找不到一些库文件，PKG是linux用来管理库文件的。

保存后输入命令：
make -j8 && make pycaffe

这这一步过程中，我的电脑上出现了不能找到lippicv的错误，安装过opencv的同学可能会出现这个报错。

解决方法为：
把OpenCV下的libippicv.a文件复制到/usr/local/lib目录下，然后重新编译pycaffe。具体操作如下：
cd <自己opencv的安装目录>/opencv-3.1.0/3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64

sudo cp libippicv.a /usr/local/lib

然后重新编译，依次执行以下命令：
cd <自己的安装目录>/FRCN_ROOT/caffe-fast-rcnn

make clean

make -j8 && make pycaffe

7.下载pre-computed Fast R-CNN detectors
依次输入以下命令：
cd <自己的安装目录>/fast-rcnn

./data/scripts/fetch_fast_rcnn_models.sh
本人的电脑开始出现了连接不上主机的问题，后来不知怎么就没有这个问题了，本人猜测是主机服务器那边的问题，读者可在不同时段多次尝试一下。

8.运行demo
依次执行以下命令：
cd <自己的安装目录>/fast-rcnn/tools

./demo.py --cpu --net caffenet
运行demo的时候，可以指定gpu或cpu的模式，也可以指定使用哪个网络进行测试。比较方便。如果你的内存不够大的话，运行大的网络可能会出现核心已转储的提示。

运行结果展示：