Fast-RCNN安装与使用（跑demo）

最新推荐文章于 2025-11-06 07:30:00 发布
原创 最新推荐文章于 2025-11-06 07:30:00 发布 · 1.3w 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#检测 #深度学习 #caffe #FastRCNN

本文详细介绍了如何安装和使用Fast-RCNN，一个基于深度卷积神经网络的目标检测框架。Fast-RCNN在训练和检测速度上显著优于RCNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。首先，文章讨论了安装前的准备，包括安装caffe和确保GPU支持。接着，详述了安装Fast-RCNN代码、编译Cython和caffe的过程。最后，通过运行python脚本展示了跑demo的步骤，结果显示Fast-RCNN在复杂场景下的目标检测效果良好。

Fast-RCNN是一个基于深度卷积神经网络（deep ConvNets）实现的快速目标检测框架，代码作者Ross Girshick在RCNN的基础上增加了Multi task training，使得整个的训练过程和测试过程比RCNN快了许多。Fast-RCNN主要有以下特点：

  • 训练先进的模型比如VGG16，比RCNN快9倍，比SPPnet快3倍
  • 在检测时比RCNN快200倍，比SPPnet快10倍
  • 在PASCAL VOC数据集上mAP比RCNN和SPPnet有显著提高
  • 基于Python、C++和caffe

1.安装前的准备

  • caffe
    fast-rcnn是基于caffe写的，所以必须要安装caffe，因为rbg的demo是用python写的，所以还要保证pycaffe编译通过。具体的Makefile.config文件请参考这里。安装过程中有可能提示缺少cython，python-opencv，easydict，这些问题我没遇到，这些都是依赖的一些东西，如果遇到请安装一下。

  • GPU
    CPU训练和检测速度太慢了，所以我们需要一个好的GPU，作者提供了几种预训练的模型，分别是S号模型CaffeNet，M号模型VGG_CNN_M_1024,这两个模型需要至少3G内存的Titan,K20,K40 GPU。如果训练L号模型VGG16，则必须11G内存的K40，这里我用的是K40的服务器。

2.安装

  • clone rbg的代码
    要想用fast-rcnn第一步肯定是clone rbg的代码，地址在
最低0.47元/天 解锁文章
tf-faster-rcnn在cpu下运行demo、测试和训练自己的数据集
m0_38024766的博客
06-03 4630
1、环境配置 官方给出的Faster R-CNN的代码是caffe框架下的，我对caffe不是很了解，一直用的是tensorflow环境，所以去网上找了一下用tensorflow实现的Faster R-CNN。找到了一篇博客https://www.cnblogs.com/toone/p/8433581.html，作者使用的是一个github上Xinlei Chen的tensorflow版本的fa...
Faster-Rcnn demo.py解析
Harder&&Better
07-07 7136
目录1. 源代码注解对代码中比较重要的地方添加注释，包括自己的理解和一些参考。2.相关知识点补充补充IoU, 非极大值抑制， python的argparse模块等相关知识点。import _init_paths from fast_rcnn.config import cfg #im_detect 生成RPN候选框 from fast_rcnn.test import im_detect #nms
目标检测算法（Faster R-CNN）
weixin_43156294的博客
11-06 1217
Faster R-CNN作为目标检测领域的“分水岭”算法，其核心创新——用可学习的RPN替代传统区域提议方法，实现端到端的检测流程——彻底解决了前序算法“速度慢、依赖手工设计”的痛点。尽管它在实时性和小目标检测上仍有局限，但它确立的框架范式和技术思路，至今仍深刻影响着目标检测乃至计算机视觉的发展方向。对于初学者而言，理解Faster R-CNN的架构与原理，是掌握后续复杂检测算法（如Transformer-based检测模型）的关键基础。
学习Faster-RCNN （一）跑Faster-RCNN的python版demo
大白机器人的博客
01-22 8455
一、准备材料 在官网“https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-demo”，下载demo,阅读“README.md”，按照网址：“https://github.com/rbgirshick/py-faster-rcnn#installation-sufficient-for-the-d
fast-rcnn配置运行demo.py（Ubuntu14.04）
wzy的博客
10-09 987
注意：fast-rcnn是建立在caffe已经配置好的基础上的，如果对caffe配置不太熟的朋友可以参考一下我的博客http://blog.youkuaiyun.com/samylee/article/details/50922601 好了，我们来玩玩这个fast-rcnn配置运行demo.py 第一部分：Git官网的fast-rcnn源码 终端输入： cd /
RCNN的安装与简单使用
热门推荐
kuaitoukid的专栏
07-03 2万+
最近准备从物体检测的角度来重新审视文本检测这个方向，所以看了下CNN大火以后的几篇经典文献，OverFeat，Region CNN， Dense Neural Pattern等等。 对这个方向来说，百闻不如一试，趁着其他程序还在跑没什么事，我安装了一下RCNN来看看效果
【tf-fast-rcnn-cpu】win10下通过虚拟机VMware跑通demo及问题记录
qq_41627396的博客
05-07 736
1.开始 本文主要介绍在win10系统下使用VMware虚拟机跑通tf-fast-rcnn-cpu的过程以及记录过程中遇到的问题 2.环境 Ubuntu 16.4 tensorflow=1.8 numpy=1.16.0 anaconda 3 cython easydict opencv tf-fast-rcnn-cpu： 复现代码，包含数据集和预训练模型（提取码：1234） 参考：安萌萌萌萌萌的博文 这篇博文包括了软件的安装，本文就不再重复 3.跑通demo过程 由于虚拟机不支持GPU，所以本次选用c
[Ubuntu] 配置faster-rcnn环境记录
05-10
- **make编译**：在`py-faster-rcnn/lib`和`py-faster-rcnn/caffe-fast-rcnn`下分别执行make命令，并使用-j4参数并行编译加快速度。 - **pycaffe编译**：编译caffe时，需要执行`make pycaffe`来支持Python接口。 ...
faster-rcnn-demo
Lefenger
07-30 748
原文地址：lefenger.com运行github上的python版本的faster-rcnn demo的过程为： 克隆github的项目到本地 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 在caffe-fast-rcnn文件夹中执行 cp Makefile.config.example Makefi
fast-rcnn训练自己数据集以及demo代码解读和总结（面向fast-rcnn初学者）
野孩子的专栏
03-27 8221
首先推荐文章，里面有讲如何安装fast-rcnn，以及编译。 或者我直接把fast-rcnn的地址写出来：https://github.com/rbgirshick/fast-rcnn 一.最后的demo.py（地址：https://github.com/rbgirshick/fast-rcnn/blob/master/tools/demo.py）的代码解读：    1.获取
Faster-RCNN：跑demo
Alex_XT的博客
08-10 1566
转至：http://blog.youkuaiyun.com/GoJawee/article/details/73647249参考链接：小咸鱼——http://blog.youkuaiyun.com/sinat_30071459/article/details/50546891 Win7操作系统下，依次安装： 安装vs2013； 安装Matlab； 安装CUDA； 上面的安装顺序最好不要乱，否则可能出现Matla
faster rcnn demo保存坐标
09-04
可以保存demo的坐标，中间修改的位置有详细的说明，参照着改动，应该可以实现的
RCNN-FAST RCNN-FASTER RCNN
09-13
rcnn, sppnet, fast rcnn, faster rcnn, YOLO, SSD，目标检测论文大合集，赶紧下载吧！ Faster R-CNN_ Towards Real-Time Object Detection with Region Proposal Networks Girshick_Fast_R-CNN_ICCV_2015_paper Liang_Recurrent_Convolutional_Neural_2015_CVPR_paper Rich feature hierarchies for accurate object detection and semantic segmentation Tech report Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition SSD_ Single Shot MultiBox Detector You Only Look Once Unified, Real-Time Object Detection
安装和运行Fast R-CNN的demo
dcxhun3的博客
09-14 8060
FR-CNN是Ross Girshick的新作，从文章来看FR-CNN比R-CNN和SPPNet都快很多。当然R-CNN和SPPNet也都是Girshick的作品，FR-CNN的正确率不仅超越Girshick自己的嫡出，也超过了DPM等其他方法。FR-CNN正如文章所说的是一个简单，并且Elegant的框架。和那些Pipeline的模型相比，的确是优雅很多的。当然FR-CNN本身也可以看作是一个Pi
Faster-RCNN的demo文件详解
a1103688841的博客
05-22 3827
目录 pytorch编写Faster-RCNN的下载地址 我们分部讲解demo程序 导入库： 创建生成器用于for： 设置程序输入参数： 使用EasyDict为一些网络属性赋值： _get_image_blob函数： 主函数初始化： 创建网络： 关于.create_architecture()方法 加载模型数据： 模型，数据放入GPU： 数据送入模型： 画图和显...
Fast-rcnn 训练（1）-安装
jiangph1001的博客
01-25 695
安装fast-rcnn前需要装一堆配置文件和驱动，基本上照着以下步骤，在控制台执行一遍即可。1.依赖包sudo apt-get install build-essential # basic requirement sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-a
Caffe环境配置+fast-rcnn demo.py 运行（主要是记录添加额外层的过程遇到的问题）
weixin_38715903的博客
06-07 861
1.配置环境：【采用的是BVLC官方版本：https://github.com/BVLC/caffe.git 】 caffe+VS2015+python3.5+CUDA8.0(x64)+cuDNN v5.1(x64) 首先除了caffe,先安装好后面的软件，环境变量都要记得添加。 python3.5我选择的是安装：Anaconda3-4.2.0-Windows-x86_64 2.caffe...
Faster RCNN从demo到训练自己的数据(2)——demo篇
gaohang_hdu的博客
11-15 332
1.编译py-faster-rcnn库 修改py-faster-rcnn\lib\setup_cuda.py： a. 将第14行改为'-arch=sm_35'。 b. 将第33行 include_dirs = [numpy_include, 'C:\\Programming\\CUDA\\v7.5\\include']) 改为本机的CUDA-include，如 include_di...
py-faster-rcnn安装问题总结
skkuggi的博客
05-20 2585
1.In file included from ./include/caffe/util/device_alternate.hpp:40:0, from ./include/caffe/common.hpp:19, from src/caffe/syncedmem.cpp:1: ./include/caffe/util/cudnn.
安装faster-rcnn
最新发布
11-07
<think>我们正在讨论Faster R-CNN的安装方法。用户希望了解如何安装Faster R-CNN，并且之前已经提供了一种基于mmdetection的安装方法。同时，用户也提供了一些引用内容，其中引用[2]显示了在安装pva-faster-rcnn时遇到的错误。因此，我们需要提供安装Faster R-CNN的详细步骤，并注意可能的错误。 有两种主流的Faster R-CNN实现： 1. 官方原始的Faster R-CNN（基于Caffe） - 但安装较为复杂，依赖Caffe，且容易出现环境问题。 2. 基于PyTorch的实现（如mmdetection） - 推荐，因为PyTorch环境更容易配置。 考虑到用户使用VSCode远程控制，并且之前已经介绍了使用mmdetection安装的方法，这里可以再详细说明一下使用mmdetection安装Faster R-CNN的步骤，同时也可以提及原始Caffe版本的安装方法（但提醒可能遇到的困难）。 由于用户引用[2]中出现了gpu_nms的编译错误，这是原始Caffe版本常见的问题。因此，我们优先推荐使用mmdetection的方式。 ### 安装方法一：使用mmdetection（推荐） #### 步骤1：创建虚拟环境（可选但推荐） ```bash conda create -n faster_rcnn python=3.8 -y conda activate faster_rcnn ``` #### 步骤2：安装PyTorch 根据CUDA版本安装合适的PyTorch，例如CUDA 11.3： ```bash pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113 ``` #### 步骤3：安装mmcv和mmdetection ```bash pip install openmim mim install mmengine mim install "mmcv>=2.0.0" ``` #### 步骤4：安装mmdetection ```bash git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install -v -e . ``` #### 步骤5：验证安装 ```python import mmdet print(mmdet.__version__) ``` ### 安装方法二：原始Caffe版本（不推荐，可能遇到较多问题） #### 步骤1：克隆仓库 ```bash git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git cd py-faster-rcnn ``` #### 步骤2：安装依赖 ```bash cd caffe-fast-rcnn # 根据需求修改Makefile.config（例如开启GPU、设置路径等） cp Makefile.config.example Makefile.config # 修改Makefile.config，设置BLAS为atlas或openblas，并设置CUDA路径等 make -j8 && make pycaffe ``` #### 步骤3：安装Python依赖 ```bash cd .. pip install -r requirements.txt ``` #### 步骤4：编译lib ```bash cd lib make ``` #### 步骤5：测试 ```bash ./tools/demo.py ``` 但这一步可能会遇到引用[2]中的错误，即gpu_nms编译问题。解决方法通常是： 1. 确保CUDA环境变量正确。 2. 重新编译lib：进入`lib`目录，运行`make clean`，然后`make`。 3. 如果问题依旧，尝试在`lib/nms`目录下，修改`setup.py`，将`-DGPU`添加到`extra_compile_args`中，然后重新编译。 ### 注意事项 - 推荐使用mmdetection，因为它更易于维护，且支持最新的PyTorch。 - 原始Caffe版本需要较旧版本的依赖（如Python2.7），且编译过程复杂。 ### 相关问题 1. Faster R-CNN安装需要哪些前置条件？ 2. 在安装过程中遇到CUDA相关错误怎么办？ 3. mmdetection安装后如何使用Faster R-CNN模型进行预测？ </think>以下是Faster R-CNN的详细安装方法，主要基于PyTorch实现（MMDetection框架），并提供替代方案参考： ### 一、推荐安装方法：通过MMDetection框架 #### 1. 环境准备（Python 3.7+） ```bash conda create -n faster_rcnn python=3.8 conda activate faster_rcnn ``` #### 2. 安装PyTorch（选择对应CUDA版本） ```bash # 示例（CUDA 11.3） pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 -f https://download.pytorch.org/whl/cu113/torch_stable.html ``` #### 3. 安装MMCV和MMDetection ```bash pip install -U openmim mim install mmengine mim install "mmcv>=2.0.0" git clone https://github.com/open-mmlab/mmdetection.git cd mmdetection pip install -v -e . # 可添加 -v 查看详细安装过程 ``` #### 4. 验证安装 ```python from mmdet.apis import init_detector print("Faster R-CNN安装成功！") # 无报错即表示成功 ``` ### 二、替代方案：原始Caffe版本 #### 1. 克隆仓库 ```bash git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git ``` #### 2. 安装依赖 ```bash # 安装Cython等基础库 pip install cython easydict opencv-python # 编译Caffe cd py-faster-rcnn/caffe-fast-rcnn make -j8 && make pycaffe ``` #### 3. 编译依赖库 ```bash cd ../lib make # 若遇gpu_nms错误参考[^2] ``` ### 常见问题解决 1. **CUDA相关错误**：确保`nvcc`版本与PyTorch匹配 2. **依赖冲突**：使用虚拟环境隔离，或尝试： ```bash pip install --force-reinstall mmcv-full # 强制重装依赖 ``` 3. **GPU_NMS未定义符号**（参考[^2]）： ```bash cd lib/nms make clean make CUDA_ARCH="-gencode arch=compute_75,code=sm_75" # 根据GPU架构修改 ``` ### 硬件建议 - **最小配置**：NVIDIA GPU（≥4GB显存），16GB RAM - **推荐配置**：RTX 3060+（12GB显存），32GB RAM - 训练COCO数据集需≥11GB显存[^1] ### 快速验证代码 ```python # mmdetection示例 from mmdet.apis import init_detector, inference_detector config = 'configs/faster_rcnn/faster-rcnn_r50_fpn_1x_coco.py' checkpoint = 'https://download.openmmlab.com/mmdetection/v2.0/faster_rcnn/faster_rcnn_r50_fpn_1x_coco/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth' model = init_detector(config, checkpoint) result = inference_detector(model, 'demo.jpg') # 输入测试图像路径 ```
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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