Ubuntu14.04下配置测试Faster R-CNN+Caffe(Matlab+CPU)目标检测

前端之家收集整理的这篇文章主要介绍了Ubuntu14.04下配置测试Faster R-CNN+Caffe(Matlab+CPU)目标检测前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

Faster R-CNN是当前目标检测领域内性能最好的算法之一,它将RPN(Region Proposal Network)网络和Fast R-CNN网络结合到了一起,实现了一个端到端的目标检测框架。作者Shaoqing Ren在github上公开了源代码,可以很方便地在自己的机器上进行测试。本文记录的是Ubuntu14.04下配置和测试Faster R-CNN的过程,其中包括Caffe的安装和编译过程,针对的是Matlab和仅使用cpu的环境。

文章arXiv链接
https://arxiv.org/abs/1506.01497

下载源代码

Matlab源码链接
https://github.com/ShaoqingRen/faster_rcnn

Python实现源码:
https://github.com/rbgirshick/py-faster-rcnn

下载源码faster_rcnn-master.zip以及其中的caffe源码,解压至本地目录。

安装编译Caffe

1.安装依赖项[1]

  1. sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
  2. sudo apt-get install --no-install-recommends libboost-all-dev
BLAS:
  1. sudo apt-get install libatlas-base-dev
Python用户需安装,Matlab不需要:
  1. sudo apt-get install the python-dev
GPU运行环境还需安装CUDA,使用cpu无需安装。 Ubuntu14.04依赖项:
  1. sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
Ubuntu12.04版本较低,需要手动安装依赖项:
  1. # glog
  2. wget https://google-glog.googlecode.com/files/glog-0.3.3.tar.gz
  3. tar zxvf glog-0.3.3.tar.gz
  4. cd glog-0.3.3
  5. ./configure
  6. make && make install
  7. # gflags
  8. wget https://github.com/schuhschuh/gflags/archive/master.zip
  9. unzip master.zip
  10. cd gflags-master
  11. mkdir build && cd build
  12. export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1
  13. make && make install
  14. # lmdb
  15. git clone https://github.com/LMDB/lmdb
  16. cd lmdb/libraries/liblmdb
  17. make && make install

2.编译
Caffe可以采用Make或者CMake两种方式来编译,我使用的是Make,且编译之前需要根据个人情况修改caffe目录下的Makefile.config.example文件。具体需要修改的地方如下:

  • 仅使用cpu的情况下,需要取消该文件cpu_ONLY := 1的注释。
  • 指定Matlab的安装路径,我的是MATLAB_DIR := /usr/local/MATLAB/R2016a

修改完成后,执行如下命令:

  1. cp Makefile.config.example Makefile.config
  2. make clean
  3. make all
  4. make test
  5. make runtest
采用并行的方式可以更快地完成编译过程,只需使用`make all -j8`命令。其中数字8表示并行线程的数目,建议将该线程数目修改为机器的内核数。 为了能够在Matlab中正常使用,还需执行以下命令:
  1. make matcaffe

之后在matlab/+caffe/private目录下将会生成caffe_.mex64文件,可以直接被Matlab调用

3.测试示例[2]

在正式测试前,需要下载训练好的caffemodel文件[3]。有两种方式,直接在浏览器里输入地址下载,也可以运行脚本文件下载。我选择直接用浏览器下载,下载地址如下:
http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel

该模型文件243.9M,下载完成后将其拷贝到caffe根目录下的models/bvlc_reference_caffenet/文件夹中。

接着启动Matlab,切换到caffe的根目录,将caffe_.mex64的路径添加进来,便于加载。

  1. addpath('./matlab/+caffe/private');
切换到`matlab/demo/`目录下,执行如下命令来测试示例:
  1. I = imread('../../examples/images/cat.jpg');
  2. [scores,maxlabel] = classification_demo(I,0);
需要特别注意,classification_demo(I,0)函数中的0表示使用cpu,如果改为1则表示GPU。执行成功后,将会返回如下信息:
  1. Elapsed time is 0.025054 seconds.
  2. Elapsed time is 1.069503 seconds.
  3. Cleared 0 solvers and 1 stand-alone nets
其中maxlabel=282,表示具有最大分类概率的是第282个类别。输入`figure;plot(scores);`显示所有类别上的分类概率,如下图所示。

从图中可以看出,该图片被分到第282类的概率最高。至此,程序测试完成,说明Caffe安装配置成功。

配置运行Faster R-CNN

Faster R-CNN的配置和运行十分简单,启动Matlab,切换到faster_rcnn目录下。运行faster_rcnn_build.m,在仅使用cpu的情况下,Compiling nms_gpu_mex时会出错[4]。但是其他能够编译成功,这里不用担心。

  1. run faster_rcnn_build.m
  2. run startup.m

获取训练好的模型,可以通过执行文件下载:

  1. run fetch_data/fetch_faster_rcnn_final_model.m

个人建议直接通过作者github主页上的链接来下载模型,地址在主页最后一行给出,选择其一下载。

3.Final RPN+FastRCNN models: OneDrive,DropBox,BaiduYun

模型较大,下载完成后直接将其解压至faster_rcnn根目录下。

在experiments目录下有测试文件,因为只使用cpu,运行前需要将其设置为不使用GPU。

experiments/script_faster_rcnn_demo.m

文件中的第3、4行需要注释掉,第9行的opts.use_gpu改为false。以下是修改后的代码

  1. %% -------------------- CONFIG -------------------- opts.caffe_version = 'caffe_faster_rcnn'; % opts.gpu_id = auto_select_gpu;
  2. % active_caffe_mex(opts.gpu_id,opts.caffe_version);
  3.  
  4. opts.per_nms_topN = 6000;
  5. opts.nms_overlap_thres = 0.7;
  6. opts.after_nms_topN = 300;
  7. opts.use_gpu = false;
  8.  
  9. opts.test_scales = 600;

此外,由于VGG16模型较大,运行过程中会崩溃,因此将模型改为ZF,修改后如下:

  1. % model_dir = fullfile(pwd,'output','faster_rcnn_final','faster_rcnn_VOC0712_vgg_16layers'); %% VGG-16 model_dir = fullfile(pwd,'output','faster_rcnn_final','faster_rcnn_VOC0712_ZF'); %% ZF

至此,修改完毕。执行该程序,能够正常运行说明测试成功。我的处理器是Intel® Core™ i7-2600 cpu @ 3.40GHz × 8 ,输出如下信息:

  1. 001763.jpg (500x375): time 3.258s (resize+conv+proposal: 2.452s,nms+regionwise: 0.806s)
  2. 004545.jpg (500x375): time 4.073s (resize+conv+proposal: 2.543s,nms+regionwise: 1.530s)
  3. 000542.jpg (500x375): time 3.064s (resize+conv+proposal: 2.526s,nms+regionwise: 0.538s)
  4. 000456.jpg (500x375): time 3.757s (resize+conv+proposal: 2.497s,nms+regionwise: 1.259s)
  5. 001150.jpg (500x375): time 3.400s (resize+conv+proposal: 2.481s,nms+regionwise: 0.919s)
  6. mean time: 3.510s
  7. Cleared 0 solvers and 2 stand-alone nets


参考文献:
[1]http://caffe.berkeleyvision.org/install_apt.html
[2]http://www.aichengxu.com/view/2422137
[3]http://www.cnblogs.com/denny402/p/5111018.html
[4]http://blog.csdn.net/qq_30040223/article/details/48491997

猜你在找的Ubuntu相关文章