Windows下编译fast rcnn

本文详细介绍了如何下载并编译Caffe-windows版本和Fast R-CNN模型,包括更新版本、下载模型文件、安装依赖、进行编译以及运行示例的过程。同时提供了安装protobuf的Python接口的指导,以及解决安装过程中可能出现的问题的方法。

一、准备

  1. caffe-windows:https://github.com/happynear/caffe-windows。如果你的caffe-windows版本是2015/07/09之前下载的,请重新下载并重新编译。重新编译时请首先编译python接口,因为马上就要用到。主程序和matlab接口可以有空的时候再编译。

  2. fast r-cnn:https://github.com/rbgirshick/fast-rcnn

  3. 下载fast r-cnn所需的模型文件。原始文件都在伯克利大学的服务器上,为了不给伯克利服务器增加负担,我把文件都上传到百度云上了[doge]:http://pan.baidu.com/s/1kTzQYgR。下载完成后,请将3个文件夹放置在fast_rcnn_root/data中。

  4. 按照这篇博客的说明安装protobuf的python接口。

  5. 打开cmd,输入pip install cython(cython的安装路径为:C:\Users\lien\AppData\Local\Temp\pip_build_lien) 和 pip install easydict来安装cython和easydict,如果你使用的是Anaconda,cython默认是安装上了的。 
    如果提示安装失败,可能是由于你的pip的版本过低,请先使用 
    pip install pip --upgrade 
    升级你的pip。

二、编译步骤

  1. caffe_windows_root/python目录,复制到fast_rcnn_root/caffe-fast-rcnn中。

  2. 用文本编辑器打开fast_rcnn_root/lib/utils/nms.pyx,将第25行的np.int_t修改为np.intp_t

  3. 用文本编辑器打开fast_rcnn_root/lib/setup.py,将第18行和23行的 
    "-Wno-cpp", "-Wno-unused-function"指令删除,只留下空的中括号[]即可。

  4. 打开cmd,定位至fast_rcnn_root/lib目录中,执行python setup.py install。 
    如果提示Unable to find vcvarsall.bat的话,请输入以下指令: 
    VS2012:SET VS90COMNTOOLS=%VS110COMNTOOLS% 
    VS2013:SET VS90COMNTOOLS=%VS120COMNTOOLS% 
    setup.py安装完成后,到python_root/Lib/site-packages/utils中可以找到两个文件cython_bbox.pydcython_nms.pyd,把这两个文件复制到fast_rcnn_root/lib/utils中。

  5. 定位至fast_rcnn_root,执行python tools/demo.py,等待demo的结果吧! 
    fast rcnn result

版权声明:本文为博主原创文章,未经博主允许不得转载。

### 实现 Faster R-CNN 模型于 Windows 平台 #### 推荐项目与环境搭建 对于希望在 Windows 环境下实现 Faster R-CNN 的开发者而言,存在特定针对此操作系统的解决方案。一个被推荐的项目是 `py-faster-rcnn-windows`,该项目提供了适用于 Windows 用户的 Faster R-CNN 实现方法[^1]。 为了简化安装流程并确保兼容性,建议采用 Python 版本的 TensorFlow 来构建 Faster R-CNN 模型。GitHub 上由 dBeker 提供的一个仓库包含了完整的代码库和支持文档,能够帮助开发人员快速启动项目[^2]: ```bash git clone https://github.com/dBeker/Faster-RCNN-TensorFlow-r requirements.txt ``` #### 配置与初始化 完成上述步骤之后,下一步涉及配置文件调整及必要的依赖项安装。如果使用的是 MATLAB,则可以通过执行如下命令来准备环境和下载预训练模型[^3]: ```matlab faster_rcnn_build; startup; ``` 这些指令会自动处理编译过程中的细节,并准备好用于后续实验的基础设置。 #### 训练与评估 Faster R-CNN 是一种两阶段的目标检测框架,在 GPU 加速的支持下可以达到每秒五帧的速度(含区域提议)。该架构继承自 Fast R-CNN,通过引入 Region Proposal Network (RPN) 和共享卷积特征图的方式提高了效率和精度[^4]。 当涉及到具体实施时,通常的做法是在已有的大型数据集上预先训练好的权重基础上继续训练自己的定制化模型。这不仅加快了收敛速度还提升了最终性能表现。在此过程中,保持基础卷积层不变而仅更新顶层分类器部分是一个常见策略;同时让 RPN 与 Fast R-CNN 共享相同的底层表示有助于减少计算成本并增强泛化能力[^5]。
评论 19
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