在Ubuntu系统、CPU模式下运行Fast R-cnn代码
2017-12-20 11:44
1116 查看
具体步骤
1.安装并配置好caffe及python接口(前提工作)
读者可以参考我的另一篇博客http://blog.csdn.net/tilltheworldend/article/details/78848334
2.从Github上下载Fast R-cnn的源代码
使用下载命令:
git clone –recursive https://github.com/rbgirshick/fast-rcnn.git
必须加上–recursive,才能递归下载所有相关链接中的内容。
3.下载一些基础软件
依次执行以下命令:
sudo apt-get install python-pip
4.安装atlas
sudo apt-get install libatlas-base-dev
5.生成Cython模块
进入fast-rcnn目录下的lib,输入
cd <自己的安装目录>/fast-rcnn/lib
6.编译caffe和pycaffe
进入fast-rcnn/caffe-fast-rcnn目录
cd <自己的安装目录>/fast-rcnn/caffe-fast-rcnn
7.下载pre-computed Fast R-CNN detectors
依次输入以下命令:
cd <自己的安装目录>/fast-rcnn
8.运行demo
依次执行以下命令:
cd <自己的安装目录>/fast-rcnn/tools
1.安装并配置好caffe及python接口(前提工作)
读者可以参考我的另一篇博客http://blog.csdn.net/tilltheworldend/article/details/78848334
2.从Github上下载Fast R-cnn的源代码
使用下载命令:
git clone –recursive https://github.com/rbgirshick/fast-rcnn.git
必须加上–recursive,才能递归下载所有相关链接中的内容。
3.下载一些基础软件
依次执行以下命令:
sudo apt-get install python-pip
sudo pip install cython sudo apt-get install python-opencv sudo pip install easydict 如安装不成功,请确认机器是否能上网。若能上网但仍安装不成功,请打开“软件和更新”更改软件源。
4.安装atlas
sudo apt-get install libatlas-base-dev
5.生成Cython模块
进入fast-rcnn目录下的lib,输入
cd <自己的安装目录>/fast-rcnn/lib
编译,输入: make 根据提示有可能需输入make install
6.编译caffe和pycaffe
进入fast-rcnn/caffe-fast-rcnn目录
cd <自己的安装目录>/fast-rcnn/caffe-fast-rcnn
将Makefile.config.example 模板复制一份为Makefile.config cp Makefile.config.example Makefile.config 打开Makefile.config修改配置 我们是在仅cpu下运行代码的,所以: USE_CUDNN=1,这个选项默认情况下时关闭的,保持不变 CPU_ONLY := 1 我们只用到了cpu,将前面的#取消掉。 WITH_PYTHON_LAYER = 1,这个在默认情况下也是关闭的,Fast RCNN需要支持Python接口, 因此需要打开。 将 INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib 改为 INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial USE_PKG_CONFIG=1记得打开,要不然会找不到一些库文件,PKG是linux用来管理库文件的。 保存后输入命令: make -j8 && make pycaffe 这这一步过程中,我的电脑上出现了不能找到lippicv的错误,安装过opencv的同学可能会出现这个报错。 解决方法为: 把OpenCV下的libippicv.a文件复制到/usr/local/lib目录下,然后重新编译pycaffe。具体操作如下: cd <自己opencv的安装目录>/opencv-3.1.0/3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64 sudo cp libippicv.a /usr/local/lib 然后重新编译,依次执行以下命令: cd <自己的安装目录>/FRCN_ROOT/caffe-fast-rcnn make clean make -j8 && make pycaffe
7.下载pre-computed Fast R-CNN detectors
依次输入以下命令:
cd <自己的安装目录>/fast-rcnn
./data/scripts/fetch_fast_rcnn_models.sh 本人的电脑开始出现了连接不上主机的问题,后来不知怎么就没有这个问题了,本人猜测是主机服务器那边的问题,读者可在不同时段多次尝试一下。
8.运行demo
依次执行以下命令:
cd <自己的安装目录>/fast-rcnn/tools
./demo.py --cpu --net caffenet 运行demo的时候,可以指定gpu或cpu的模式,也可以指定使用哪个网络进行测试。比较方便。如果你的内存不够大的话,运行大的网络可能会出现核心已转储的提示。 运行结果展示:
相关文章推荐
- 在Ubuntu系统、GPU模式下运行Fast R-cnn代码
- 在Ubuntu系统、CPU模式下运行Faster R-cnn代码
- 在仅cpu模式下运行fast rcnn代码
- faster rcnn在Ubuntu系统下cpu模式的算法实现
- Tensorflow Ubuntu16.04上安装及CPU运行Tensorboard、CNN、RNN图文教程
- Ubuntu for Android:共享同一linux内核,运行桌面(传统鼠标模式)和手机双系统
- 第二章-Windows程序运行原理——(1) CPU保护模式和Windows系统
- 运行Fast R-CNN的代码
- 【深度学习】用CPU运行faster-RCNN 的官方demo(基于ubuntu16.04系统)
- ubuntu 14.04下 caffe环境中 fast rcnn安装与运行
- Tensorflow Ubuntu16.04上安装及CPU运行Tensorboard、CNN、RNN图文教程(转载)
- 运行Fast R-CNN的代码
- py-faster-rcnn + opencv3.0.0 + ubuntu16.04配置(CPU模式)
- 查看linux系统版本、内核、cpu、cpu运行模式
- 运行Fast R-CNN的代码
- Ubuntu17.10 下配置caffe 仅CPU i386可以直接apt install caffe-cpu,但是怎么运行mnist代码我懵逼了
- ubuntu查看系统资源占用(内存,cpu和进程)
- faster rcnn在ubuntu环境下使用GPU模式并用cuDNN v5加速
- ARM内核目标系统中的代码运行时间测试
- 深入理解计算机系统-之-内存寻址(二)--存储保护机制(CPU实模式与保护模式)