Caffe使用step by step：r-cnn目标检测代码

　　深度学习算法火起来之后，基于深度学习各种模型都如雨后春笋一般在各个领域广泛应用。

　　由于想把深度学习算法应用在在视频目标检测方向，得到一个较好的结果。由于视频数据的复杂性，因此使用深度学习算法在视频中的目标检测难度比较大，但是仍然可以借鉴现阶段state-of-art的目标检测算法r-cnn。通过自己运行r-cnn目标检测代码，可以明确目标检测的流程，同时构建目标检测的baseline。下面详细讲解构建r-cnn框架的过程和方法以及过程中遇到的问题解决方案。

　　在跑r-cnn代码之前需要明确一些问题：

1. r-cnn代码是基于caffe构建的，因此在跑r-cnn代码之前，首先需要搭建好caffe平台；
2. caffe的版本必须时0.999，在r-cnn官网已经明确，r-cnn不支持最新的caffe，0.999版本见r-cnn的github主页。

下面，我们一步步搭建r-cnn代码。跑r-cnn代码流程在r-cnn的gtihub主页已经非常清楚。按照官网说明一步步操作。

这里主要讲解一些r-cnn代码构建时的一些问题：

编译caffe-0.999时遇到的错误：

make: *** [build/src/caffe/util/math_functions.cuo] Error 2
解决方法：地址

修改文件 caffe/include/caffe/util/math_functions.hpp中

修改前：

using std::signbit;
DEFINE_CAFFE_CPU_UNARY_FUNC(sgnbit, y[i] = signbit(x[i])); 

修改后：

// using std::signbit;
DEFINE_CAFFE_CPU_UNARY_FUNC(sgnbit, y[i] = std::signbit(x[i]));

caffe-0.999版本下make matcaffe出问题的解决方案：

在修改makefile.config中CUDA_ARCH，修改后为：

CUDA_ARCH := -gencode arch=compute_20,code=sm_20         -gencode arch=compute_20,code=sm_21         -gencode arch=compute_30,code=sm_30         -gencode arch=compute_35,code=sm_35         -gencode arch=compute_50,code=sm_50         -gencode arch=compute_50,code=compute_50

matcaffe编译不能通过，解决方法
通过修改makefile中第266行和272行中的问题：
266行修改前：

$(MAT$(PROJECT)_SO): $(MAT$(PROJECT)_SRC) $(STATIC_NAME)

　　修改后：

$(MAT$(PROJECT)_SO): $(MAT$(PROJECT)_SRC) $(NAME)

 在将rcnn代码应用到自己的数据集时，需要注意的是：

1.将已经设计好的网络定义文件prototxt和提取好的window_files拷贝到external/caffe/example/finetune_voc_exp/文件夹下；

2.使用caffe的cmd命令来对网络进行finetuning；

　　1）.使用cd 命令进入external/caffe/example/finetune_vid_exp/文件夹下；

　　2）.使用caffe/build/caffe工具来对网络进行finetuning，由于caffe的接口变化，rcnn官网上的命令已不能使用，具体命令为：　　

　　GLOG_logtostderr=1 ../../build/tools/caffe train  -solver pascal_finetune_solver.prototxt  -weights /home/startag/Desktop/code/rcnn-master/data/caffe_nets/ilsvrc_2012_train_iter_310k 2>&1 | tee log.txt

Caffe使用step by step：r-cnn目标检测代码

原文：http://www.cnblogs.com/empty16/p/4897004.html