本文介绍如何在 cpu 模式下使用 Faster RCNN demo，以及在cpu 模式下训练自己的数据。
Install Faster-rcnn
源码地址：https://github.com/rbgirshick/py-faster-rcnn
由于 faster rcnn 依赖是基于 caffe 的，所以需要先安装 caffe，所以前提是你已经在本机上装过 caffe ，然后直接复制该 Makefile.config 到目录 $FRCN_ROOT/caffe-fast-rcnn 下然后执行 make -j8 && make pycaffe 即可。
Run demo in cpu
安装完后可以跑个 demo 试试
cd $FRCN_ROOT
./tools/demo.py如果出现如下错误：
ImportError: No module named gpu_nms说明 demo.py 脚本默认使用 gpu 检测物体，如果想要使用 cpu 修要做如下修改：
- 将
$FRCN_ROOT/lib/setup.py中含有nms.gpu_nms的部分注释掉，注释后的内容如下。同时需要将该文件中 58 行左右的CUDA = locate_cuda()也注释掉。
ext_modules = [
Extension(
"utils.cython_bbox",
["utils/bbox.pyx"],
extra_compile_args={'gcc': ["-Wno-cpp", "-Wno-unused-function"]},
include_dirs = [numpy_include]
),
Extension(
"nms.cpu_nms",
["nms/cpu_nms.pyx"],
extra_compile_args={'gcc': ["-Wno-cpp", "-Wno-unused-function"]},
include_dirs = [numpy_include]
),
#Extension('nms.gpu_nms',
#['nms/nms_kernel.cu', 'nms/gpu_nms.pyx'],
#library_dirs=[CUDA['lib64']],
#libraries=['cudart'],
#language='c++',
#runtime_library_dirs=[CUDA['lib64']],
## this syntax is specific to this build system
## we're only going to use certain compiler args with nvcc and not with
## gcc the implementation of this trick is in customize_compiler() below
#extra_compile_args={'gcc': ["-Wno-unused-function"],
#'nvcc': ['-arch=sm_35',
#'--ptxas-options=-v',
#'-c',
#'--compiler-options',
#"'-fPIC'"]},
#include_dirs = [numpy_include, CUDA['include']]
#),
Extension(
'pycocotools._mask',
sources=['pycocotools/maskApi.c', 'pycocotools/_mask.pyx'],
include_dirs = [numpy_include, 'pycocotools'],
extra_compile_args={
'gcc': ['-Wno-cpp', '-Wno-unused-function', '-std=c99']},
),
]- 将
$FRCN_ROOT/lib/fast_rcnn/config.py中 205 行的__C.USE_GPU_NMS = True改成__C.USE_GPU_NMS = False - 将
$FRCN_ROOT/lib/fast_rcnn/nms_wrapper.py中的第 9 行from nms.gpu_nms import gpu_nms注释掉
现在执行 ./tool/demo.py --cpu就可以看到物体检测的效果了。
Train in cpu
- 首先需要对
$/FRCN_ROOT/caffe-faster-rcnn/src/caffe/layers/内的roi_pooling_layer.cpp和smooth_L1_loss_layer.cpp进行替换并重新编译，替换文件在 github-faster-rcnn-cpu - 将该数据集放在
py-faster-rcnn\data下，用你的数据集替换VOC2007数据集（即用你的Annotations，ImagesSets和JPEGImages替换py-faster-rcnn\data\VOCdevkit2007\VOC2007中对应文件夹） - 下载ImageNet数据集下预训练得到的模型参数（用来初始化），解压，然后将该文件放在py-faster-rcnn\data下。（提供一个百度云地址：http://pan.baidu.com/s/1hsxx8OW）
- 对模型的配置文件进行一些修改，主要有：
- 修改
$/FRCN_ROOT/lib/datasets/pascal_voc.py中待检测物体的类别名，主要时第 30 行self._classes = ('__background__', )中加入你自己想要分类的物体名。 - 修改文件
stage1_rpn_train.pt，stage2_rpn_train.pt，stage1_fast_rcnn_train.pt，stage1_fast_rcnn_train.pt中待分类的个数。
- 修改
- 修改
$/FRCN_ROOT/experiments/scripts/faster_rcnn_alt_opt.sh脚本，去掉 46 行time ./tools/train_faster_rcnn_alt_opt.py --gpu ${GPU_ID} \中的--gpu ${GPU_ID}，对 57 行做同样的操作。
执行命令 ./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc 就可以使用预训练的 ImageNet 数据 finetune 自己的数据了。
但此时会出现错误：
WARNING: Logging before InitGoogleLogging() is written to STDERR
F1209 11:40:45.697101 535 common.cpp:66] Cannot use GPU in CPU-only Caffe: check mode.
*** Check failure stack trace: ***主要原因时文件 $/FRCN_ROOT/tool/train_faster_rcnn_alt_opt.py 默认使用了 caffe gpu mode，需要对该文件做如下修改：
- 注释掉 34-36 行，注释后的结果如下：
33 parser = argparse.ArgumentParser(description='Train a Faster R-CNN network')
34 # parser.add_argument('--gpu', dest='gpu_id',
35 # help='GPU device id to use [0]',
36 # default=0, type=int)
37 parser.add_argument('--net_name', dest='net_name',- 注释掉 102-103 行 的
caffe.set_mode_gpu()和caffe.set_device(cfg.GPU_ID)，并在后面加上caffe.set_mode_cpu() - 注释掉出现
gpu_id的地方
再次执行命令 ./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc 就可以看到训练效果了。
扫描二维码关注公众号，回复：
3866599 查看本文章
