Fastmodels安装

参考文献:http://blog.youkuaiyun.com/forestcell/article/details/16118441

1.下载安装文件

在ARM官网注册一个账号,然后在这个页面下载 https://silver.arm.com/browse/FM000

建议下面两个都下载。因为后面的算是平台包,会有很多平台支持。

Fast Models Evaluation Linux

Fast Model ThirdParty IP Linux


2.下载license文件

https://silver.arm.com/browse/browse_eval.tm

需要输入手机号、以太网物理地址(注意这里只有16进制字符,我用的大写。中间不要加冒号或者-隔开,否则之后验证时会显示-9号错误:Host ip不匹配)、主机平台。

然后将文件下载下来。


3.安装

Windows 64

(1)选择setup.exe按提示进行安装

(2)安装完运行System Canvas,如果弹出来license错误,错误号为-1,表示license文件路径没有设置,设置一下环境变量ARMLMD_LICENSE_FILE到你的文件的所在位置;如果错误号为-9,检测到了license文件,但是不匹配,那就重新去申请一个license,记得一定要把把hostip填对格式。
(3)如果验证通过,会顺利打开主界面。
Linux 64
(1)解压安装包
(2)按照Installation_Guide.txt的提示安装,先./setup.sh,如果缺少相应依赖它会自动提示,然后把需要的那些都装上就行了。
(3)弹出安装的引导界面,按照提示一路前进,直到完成。
(4)安装完有提示需要source你软件实际的位置(安装时选择的文件夹)的一个setupall.sh文件(或者是source_all.sh),具体按提示来,用source命令会显示路径。也可以直接去设置环境变量,设置PVLIB_HOME=FastModelsPortfolio所在位置,PYTHONPATH=前者路径/lib/python2.7,我是因为source之后仍然报错所以直接设置环境变量,如果不知道怎么设置,按照source xxxx.sh的结果显示设置就行。此外还需要的2个环境变量是ARMLMD_LICENSE_FILE=license文件路径/license.dat,以及MAXCORE_HOME=FastModelsTools的路径。具体也是按照报错的提示来设置就行了。
ps:需要的环境变量总共有5个
PATH:在原有的值后面加上:路径/FastModelsTools_x.x/bin
ARMLMD_LICENSE_FILE=license文件路径/license.dat
MAXCORE_HOME=FastModelsTools的路径
MAXVIEW_HOME=FastModelsTools的路径 (这个是modeldebugger的路径,不设置调试时会报错找不到/bin/modeldebugger)
PVLIB_HOME=FastModelsPortfolio所在位置
PYTHONPATH=FastModelsPortfolio所在位置/lib/python2.7
#source 你的提示的文件位置
(5)在安装生成的FastModelsTools_xx/bin文件下,有一个sgcanvas可执行文件(对应windows主界面的System Canvas),打开,如果遇到license错误,按照类似的方式处理(设置好Linux环境变量)。

### 如何安装 Fast R-CNN Fast R-CNN 是一种用于目标检测的经典深度学习架构,其依赖于 Python 和一些机器学习框架的支持。以下是关于如何安装 Fast R-CNN 的详细说明: #### 系统环境准备 为了运行 Fast R-CNN,需要先配置好开发环境。通常情况下,推荐使用 Linux 或 macOS 平台来部署该模型[^1]。 - **Python 版本**: 推荐使用 Python 2.7 或者 Python 3.x (具体版本取决于实现方式)。 - **CUDA 配置**: 如果计划利用 GPU 加速,则需安装 NVIDIA CUDA Toolkit 及 cuDNN 库。确保显卡驱动程序已更新至最新版本[^2]。 #### 软件包依赖项 在开始之前,请确认已经安装了以下必要的库文件: ```bash pip install numpy scipy matplotlib cython h5py pyyaml easydict opencv-python ``` 对于 Caffe 支持部分(如果适用),还需要单独编译并链接到项目中去。 #### 获取源码与设置路径 从官方仓库克隆最新的代码副本下来,并按照指示完成初始化操作: ```bash git clone https://github.com/rbgirshick/fast-rcnn.git cd fast-rcnn/lib/ make clean; make ``` 上述命令会构建 Cython 扩展模块以及其它所需的本地组件。 #### 数据集下载与预处理 大多数实验都需要 Pascal VOC 或 COCO 这样的公共数据集合作为输入素材。可以通过脚本来自动获取这些资源: ```bash ./data/scripts/fetch_voc_data.sh ``` 另外还需注意调整图像尺寸参数以便适配不同分辨率下的测试场景需求。 #### 训练过程概述 启动训练流程前要指定所使用的网络结构定义文件 (.prototxt),权重加载地址等选项。例如执行如下指令即可开启一轮完整的迭代周期计算工作: ```bash python tools/train_net.py --gpu 0 \ --solver models/pascal_voc/VGG16/solver.prototxt \ --weights data/imagenet_models/VGG16.v2.caffemodel \ --imdb voc_2007_trainval \ --iters 40000 ``` 以上即为整个 Fast R-CNN 安装指南的核心要点描述。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值