历时两天，从重装系统，到对比tensorflow和caffe的区别，到配置各种环境，修改和编译各种……

妄图一次避开所有坑，不过还是遇到了…很多问题…

于是记录一下，顺便附上用得上的链接。

参考：

https://blog.****.net/sinat_33486980/article/details/81045315

https://blog.****.net/oMoDao1/article/details/82698571

但是因为都有比较乱的地方，比如第一位的output设置那里，第二位的tensorflow安装那里…

 

总的来说：这是一份“面向过程”的新手指南，按顺序介绍了从搭建环境到跑通程序的操作步骤。本操作基于ubuntu16.04操作系统，使用anaconda3创建了一个名为tensorflow的计算环境，在此环境中跑了tensorflow(cpu)版本的faster-rcnn的demo。

 

目录：

一、环境搭建（包括anaconda3的使用，以及tensorflow虚拟环境的创建，还有添加各种引用的包/库咯）

二、faster-rcnn工程创建（包括源代码、数据集的下载、因使用cpu版本导致的配置文件的修改、跑demo）

一、环境搭建

1.操作系统

      其实操作系统没啥考虑，只是因为以前用的就是这个所以就用它了～但是以前装东西装得乱七八糟，而且当时没考率好分区的问题于是花费了一些时间重装了系统。有时间再出个新手向重装系统指南～这里暂且不提。

附：不使用anaconda的，请结合此篇进行调整。

2.ananconda3

（1）为什么用anaconda3

     个人理解：可以用anaconda在同一台电脑上创建不同的运算环境（如python2或3），不同的环境中可以添加自身需要的包，这些包的版本可以根据需要选择；不同环境间可以较方便地切换。所以可以合理地管理多个项目，不会出现依赖包的冲突问题。

    当然也可以选择不用anaconda来建环境，就用pip安装各类组件模块（Tensorflow，opencv，……）就可以啦。

    关于pip与anaconda区别：https://www.cnblogs.com/piperck/p/5057291.html

（2）安装anaconda3

     参考教程：https://blog.****.net/qq_15192373/article/details/81091098

     注1：操作系统是16还是18对版本的选择没有要求。注意对应电脑是32位还是64位。

                Anaconda3-5.3.0-Linux-x86_64 对应默认python3.6。

     注2：阅读注册信息一路enter即可，直到询问是否同意

     注3：想好好管理目录的话，可以在第2点的第5）步修改anaconda的安装路径。

     注4：第2点的第8）步跟我自己装的时候不一样，会询问是否添加路径。

installation finished.
Do you wish the installer to prepend the Anaconda3 install location
to PATH in your /home/hj/.bashrc ? [yes|no]

                输入yes就可避免参考教程中第2点第11）步的自己设置。

      注5：安装后需要重启终端才能使用。

（3）使用ananconda

conda list    #查看通过anaconda安装的软件包及其版本号
conda install pillow    #使用conda安装pillow软件包

        常见conda指令：https://www.jianshu.com/p/7ebe1df808ba

        注：给conda更换下载源，换成国内源会比官网源下载速度快很多，换conda源方法如下：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
#每行依次复制粘贴到终端中执行即可

  3.利用anaconda3中创建tensorflow计算环境

（1）创建tensorflow计算环境

       （这里的tensorflow是环境的名字，不是指安装了tensorflow）

conda create -n tensorflow python=3.6
# 注意指定自己要用的python版本号

（2）**tensorflow环境

source activate tensorflow
(tensorflow) [email protected]:~    #**后会显示处于该环境中

（3）创建的指定环境中安装tensorflow

        （此处坑较多……）

   1）下载cpu版tensorflow安装包

          下载链接：https://github.com/lakshayg/tensorflow-build/blob/master/README.md

          涉及到需要确认cpu支持的指令，如FMA, AVX, AVX2, SSE4.1, SSE4.2, AVX512F。验证方法，没有去验证到底有啥，是在安装过程中提示不支持AVX512F，就选择其他版本就好了。python版本选择相近的自己测试似乎没什么问题。

    2）将whl文件重命名为tensorflow-x.x.x-py3-none-linux_x86_64.whl

          x.x.x是自己的版本号，主要是将中间的cp36-cp36m改成py3-none，不然会出现不支持的报错。

    3）终端中切换到whl文件所在的目录

    4）pip install --ignore-installed --upgrade tensorflow-x.x.x-py3-none-linux_x86_64.whl

          注：不要用sudo pip，也不要用pip3

    5）安装结束，可以进入python import一下验证

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello)
# 打印出内容，不报错，即成功安装

4.安装其他faster-rcnn中需要的组件

（因为重装了系统，啥都没有，于是从0装起）

   此时还是处在名为tensorflow的环境中的哟，用conda install 安装以下组件（这时就体现出换源的好处了！）

   cython，opencv-python，easydict，pillow

   举个例子：

​

    实际上，此时我也不知道缺了哪些模块，需要下载faster-rcnn工程看看代码或者执行代码才知道…所以可以在执行时看看提示缺少哪个module再进行conda install（虚弱的微笑.jpg）

   

二、faster-rcnn工程创建

    终于来到激动人心的时刻了！终于离跑demo又近了一步！

1.下载faster-rcnn代码

# 先在终端cd进入你要存代码的目录，然后：
git clone https://github.com/endernewton/tf-faster-rcnn.git
# 用git从github上拉取源代码
# 完成后就可以在目录中看到一个tf-faster-rcnn的文件夹，如果在clone时想改变文件夹名字，在语句最后空格加命名即可

2.修改配置

     原代码使用gpu，需要在几个相关文件中将使用gpu的语句注释掉。

（1）双击/gedit 打开 /faster-rcnn/lib下的setup.py

           1）注释掉CUDA = locate_cuda()

​

           2）注释掉self.set_executable('compiler_so', CUDA['nvcc'])

​

          3）注释掉Extension(...........)，一行一行注释。然后保存退出。

​

（2）打开tf-faster-rcnn/lib/model/nms_wrapper.py，禁用gpu模式

          1）注释from nms.gpu_nms import gpu_nms

          2）注释cfg.USE_GPU_NMS and not force_cpu:
                            return gpu_nms(dets, thresh, device_id=0)

                保存退出。

​

3.运行配置文件

cd ~/xxx/tf-faster-rcnn/lib   #修改为自己的路径，进入lib目录
make clean
make
# 若刚才两个配置文件注释正确，就可无报错，配置成功

4.安装Python COCO API

   因为代码运行需要使用coco API来连接coco 数据集

cd /xxxx/tf-faster-rcnn/data    #进入tf-faster-rcnn目录下的data目录
git clone https://github.com/pdollar/coco.git
cd coco/PythonAPI
make

5.测试预训练模型与运行demo

（1）下载预训练模型

    1）要用到的模型 voc_0712_80k-110k.tgz ，由于自己比较弱鸡，不会配置aria，下载贼慢，于是先在windows中用百度网盘手动下载，然后移过来的。百度网盘：https://pan.baidu.com/s/1kWkF3fT

    2）移到data文件夹里。

    3）然后终端里进入data文件夹tar xvf （就是解压），data文件夹中将获得一个名为voc_2007_trainval+voc_2012_trainval的文件夹。

cd ~/xxxx/tf-faster-rcnn/data    #注意修改成自己的路径
tar xvf voc_0712_80k-110k.tgz

    打开文件夹，里面有四个预训练好的模型。

​

（2）建立预训练模型的软链接

cd /xxxx/tf-faster-rcnn/data    #进入data目录
NET=res101
TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval
mkdir -p output/${NET}/${TRAIN_IMDB}    
#在data目录下创建了一个/output/res101/voc_2007_trainval+voc_2012_trainval的路径
cd output/${NET}/${TRAIN_IMDB}    #进入该目录
ln -s ../../../voc_2007_trainval+voc_2012_trainval ./default
# ln -s [源文件或目录] [目标文件或目录]  创建软链接
# ../指上一级目录，于是../../../ = output/res101/voc_2007_trainval+voc_2012_trainval的前三级目录即指向data目录，再加/voc_2007_trainval+voc_2012_trainval，即指向了data目录下的刚刚解压出来的文件夹。
# 也就是将data/voc_2007_trainval+voc_2012_trainval与data/output/res101/voc_2007_trainval+voc_2012_trainval/default建立了链接，打开default可以看到四个模型

（3）运行demo.py

           1）先打开位于/tools里的demo.py文件，修改model path，下图中高亮部分

​

原本为‘output’，不修改的话直接运行demo.py会报OSEerror，提示找不到指定的模型

​

          2）运行demo.py

cd /xxxx/tf-faster-rcnn/tools    #注意修改路径，进入tools目录，demo.py位于此目录下
python demo.py    
#注意，这里是在刚才的tensorflow环境中运行
# 可能会提示各种缺模块，按提示的装就好了。
# 若提示缺PIL，但PIL依赖于python2.7，于是改装pillow（支持python3）

           然后不出意外就会有如下景象，并且电脑小风扇呼啦呼啦响。

            注：/data/demo中有5张图片，运行完demo.py后会生成12张检测的图，标签从person到horse到sofa啥的。

 

好了，至此，demo.py算是成功了。

接下来该研究源代码了。

虚弱的微笑.jpg