Ubuntu14.04下Fast-RCNN配置VGG16.caffemodel

注：本博文转自 fast-rcnn配置运行VGG16.caffemodel和VGG_CNN_M_1024.v2.caffemodel（Ubuntu14.04）博主是个灰常乐于帮助的好银！再次感谢他。我在他的博文基础上，参考了 研究Fast rcnn代码  ，给略微加了一些注解，帮助理解这次配置操作的意思。

另附：Fast R-CNN的作者：Ross B Girshick
1.源代码及说明： https://github.com/rbgirshick/fast-rcnn
2.作者主页： http://www.cs.berkeley.edu/~rbg/

第一部分：下载数据test data and VOCdevkit（首先要下载训练集、验证集、测试集，例子是VOC2007。）

下载原网址：http://www.cs.berkeley.edu/~rbg/fast-rcnn-data（供选择）

或者终端输入：
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

第二部分：解压生成文件夹 VOCdevkit
就在data目录下输入下列命令解压，解压文件会自动跑到devkit这个文件夹，其中VOC2007会自动包含trainval和test这两个文件。即终端输入：
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

第三部分：文件夹包含目录（data下有文件夹命名为VOCdevkit,此文件夹中包含VOC2007和VOCcode）
$VOCdevkit/                          #development kit
$VOCdevkit/VOCcode/        #VOC utility code
$VOCdevkit/VOC2007         #image sets, annotations, etc.

第四部分：建立链接

创建对VOC2007数据集的symlink，也就是链接FRCN_ROOT和VOC2007的目录。这个方法非常好，因为别的工程里面也可能用到这个数据集，这样就不用多次拷贝了，节省了很多存储空间，windows下面就没有。终端输入：
cd $FRCN_ROOT/data（其中$表示您fast-rcnn的目录位置）
sudo ln -s VOCdevkit VOCdevkit2007

第五部分：下载预先用selective search计算好的objectproposal。
法1：下载地址原网址：http://www.cs.berkeley.edu/~rbg/fast-rcnn-data（选择selective search那个文件）
拷贝放在data目录下解压

法2：

   cd $FRCN_ROOT

   ./data/scripts/fetch_selective_search_data.sh

   会下载到$FRCN_ROOT/data下，解压后是一个名为selective_search_data的文件夹。

第六部分：下载预先训练好的ImageNet模型。 （  CaffeNet (model S), VGG_CNN_M_1024 (model M), and VGG16 (model L).）
法1：下载地址原网址： http://www.cs.berkeley.edu/~rbg/fast-rcnn-data（选择imagenet_models）
拷贝放在 data目录下解压

法2：

   cd $FRCN_ROOT

   ./data/scripts/fetch_imagenet_models.sh

   下载到三个模型，分别是CaffeNet (model S), VGG_CNN_M_1024(model M), and VGG16 (modelL)，会下载到$FRCN_ROOT/data下，解压后是一个名为imagenet_models的文件夹。

第七部分：训练测试如下：
1.训练：Train a Fast R-CNN detector.
在fast-rcnn目录下终端运行：
./tools/train_net.py --gpu 0 --solver models/VGG16/solver.prototxt --weights data/imagenet_models/VGG16.v2.caffemodel
（1）如果出现错误：
EnvironmentError: MATLAB command 'matlab' not found. Please add 'matlab' toyour PATH.
则增加（终端运行）：

export PATH=$PATH:/usr/local/MATLAB/R2014a/bin（前提保证matlab装好，make matcaffe通过）

（2）如果出现错误：ImportError: No module named yaml

那就下载安装一个：

   sudo apt-get install python-yaml

（3）如果显示内存不够，可以用nvidia-smi随时查看内存使用情况。每10000次迭代会生成一个model，结果存放在output文件夹中。

训练VGG16网络，据作者说，即使把每个minibatch所用的图片由2改为1，也需要将近5G的GPU内存，3G以上内存的可以尝试一下，cudnn可能在一定程度上起到了优化作用。

2.训练：VGG_CNN_M_1024网络时，会提示说内存不够，就把$FRCN_ROOT/lib/fast_rcnn下的config.py中每个minibatch所用的图片由2改为1，如果还不行，说明GPU内存太小，只能换GPU了。

./tools/train_net.py --gpu 0 --solvermodels/VGG_CNN_M_1024/solver.prototxt --weightsdata/imagenet_models/VGG_CNN_M_1024.v2.caffemodel

测试：Test a Fast R-CNN detector.

在自己的模型还没有训练好，或者训练得不够好的时候，可以试试作者提供的模型：

./tools/test_net.py --gpu 0（用0不能用1,如果用1会显示核心已转存，即是内存出错） --def models/VGG16/test.prototxt --net output/default/voc_2007_trainval/vgg16_fast_rcnn_iter_40000.caffemodel

在测试的时候一直如果报下面这样的错：

问题出在VOCinit上，我们现在是在测试，把

第一句注释掉，第二句取消注释即可。测试的结果在output文件夹中。

TIPS::如果用VGG_CNN_M_1024.v2.caffemodel这个模型，改一下中间的文件夹名称，即将VGG16改为VGG_CNN_M_1024.v2.caffemodel即可。

顶