参考：https://blog.csdn.net/samylee/article/details/52860038
https://zhuanlan.zhihu.com/p/29971657
第一部分：下载并编译pvanet
1、终端输入：
git clone --recursive https://github.com/sanghoon/pva-faster-rcnn.git2、建立Cython模块：
cd pva-faster-rcnn/lib
gedit setup.py此处需要根据GPU 计算能力（查看地址）修改lib下的setup.py第135行 'nvcc': ['-arch=sm_35'
如果是TX2，计算能力为6.2，则修改为'nvcc': ['-arch=sm_62'，如果是TITAN V，计算能力为7.0，则修改为'nvcc': ['-arch=sm_70'，然后开始编译
make –j4考虑到TX2有四核CPU，因此选择make -j4
根据自己机器的实际情况设置j后边的参数，网上有人建议选择CPU核数的两倍，也有人说等于核数，实测对比了一下效果，对于同一个编译任务，make很慢，用时32分钟，make -j4 用时11分钟，make -j8也是用时11分钟，make -j16用时11.5分钟。因此对于TX2而言，make -j4即可发挥其最大性能，-j8和-j16多了也不会有明显的改善。
3、编译caffe及pycaffe
cd pva-faster-rcnn/caffe-fast-rcnn
cp Makefile.config.example Makefile.config
sudo gedit Makefile.config去掉第5行cudnn前面的#
USE_CUDNN := 1如果使用的OPENCV3以上的版本，去掉第21行OPENCV_VERSION前面的#
OPENCV_VERSION := 3BLAS=atlas（我测试的库，mkl没有试过）（sudo apt-get install libatlas-base-dev即可安装）
去掉87行WITH_PYTHON_LAYER前面的#，注意一定要去掉，不然无法训练数据（测试的时候不需要）
在第90行，添加 /usr/include/hdf5/serial/ 到 INCLUDE_DIRS
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/修改后保存退出，打开Makefile文件，在第181行，把 hdf5_hl 和hdf5修改为hdf5_serial_hl 和 hdf5_serial
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial然后开始编译
make –j4
make pycaffe –j4第二部分：下载预训练模型
链接：http://pan.baidu.com/s/1kVRRPDd 密码：1cdt
2、将test(1).model重命名为test.model放入$pva-faster-rcnn/models/pvanet/comp/目录下
第三部分：下载voc07数据
打开终端输入：
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar解压（严格按照此顺序）：
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar将生成的VOCdevkit文件夹更名为VOCdevkit2007移动至$pva-faster-rcnn/data/目录下面
第四部分：voc07测试预训练模型
终端输入：
cd pva-faster-rcnn1、full/test.model测试：
./tools/test_net.py --gpu 0 --def models/pvanet/full/test.pt --net models/pvanet/full/test.model --cfg models/pvanet/cfgs/submit_160715.yml需要注意的是如果缺少test.pt，则将models/pvanet_obsolete下的对应文件复制过来即可
如果运行报错 ImportError: No module named 'yaml'
则运行如下命令进行安装
sudo pip install pyyaml如果运行报错 ImportError: No module named 'easydict'
则运行如下命令进行安装
sudo pip install easydict2、Comp/test.model测试：
./tools/test_net.py --gpu 0 --def models/pvanet/comp/test.pt --net models/pvanet/comp/test.model --cfg models/pvanet/cfgs/submit_160715.yml此测试会得到系列类别的AP值
第五部分：预训练model训练并测试voc07数据
1、训练：
cd pva-faster-rcnn
./tools/train_net.py --gpu 0 --solver models/pvanet/example_finetune/solver.prototxt --weights models/pvanet/full/test.model --iters 100000 --cfg models/pvanet/cfgs/train.yml --imdb voc_2007_trainval--gpu 序号，单GPU为0
--solver 训练参数文件
--weight 预训练模型，使用Imagenet的预训练模型，若没有，开始训练时很难收敛，loss=nan
--cfg 配置
--imdb 训练数据集名字（需要按照voc或者Coco的命名规则，亦可修改程序来打破规则！详见/lib/datasets/factory.py）
由于程序结构问题，训练的数据集需要覆盖至VOC数据集的文件夹下
～/data/VOCdevkit2007/VOC2007/Annotations和ImageSets和JPEGImages三个文件夹
ImageSets/Main文件中用到的只有trainval.txt这个文件，里面保存所有图片的名字（无后缀），需用程序生成，训练结果会在pva根目录生成output文件夹，模型就在里面
可用find命令、通配符加重定向符快速获取标注文件列表
cd data/VOCdevkit/mydataset/Annotations
find -name "*.xml">/home/yourname/data/VOCdevkit/ImageSets/Main/trainval.txt然后修改trainval.txt，用替换指令删除掉后缀即可
2、测试：
./tools/test_net.py --gpu 0 --def models/pvanet/example_finetune/test.prototxt --net output/faster_rcnn_pavnet/voc_2007_trainval/pvanet_frcnn_iter_100000.caffemodel --cfg models/pvanet/cfgs/submit_160715.yml 第六部分：预训练model训练并测试自己数据
1、数据制作：还记得fasterrcnn数据如何制作的吗？参考博客
Tips：参考voc07的数据格式，我们可发现，生成的数据最后只需保留Annotations、ImageSets和JPEGImages三个文件夹即可，ImageSets/Main文件中用到的只有trainval.txt和test.txt这两个文件（数据分布：trainval=train+val训练集+验证集，all_data=trainval+test训练集+验证集+测试集），多类别如果增加负样本或模糊样本可以考虑1、0及-1操作（其中1表示有目标，0表示模糊目标，-1表示没有目标）
数据集制作完成后将这三个文件夹复制至一个文件夹（命名为VOC2007）当中，再移动至$pva-faster-rcnn/data/VOCdevkit2007中，替换原来的VOC2007
2、类别设置：
1）打开文件/models/pvanet/example_finetune/train.prototxt
1>搜索num_classes，修改成自己数据集的类别数n（比如我只识别people这一类，怎修改为2，因为包含背景：1+背景类）
2>搜索name: “cls_score”，inner_product_param参数，修改下面的num_output为实际的类别数n，同上一样
3>搜索name: “bbox_pred”，inner_product_param参数，修改下面的num_output为实际的类别数n×4
对于test.prototxt
1>搜索name: “cls_score”，修改下面的num_output为实际的类别数
2>搜索name: “bbox_pred”，修改下面的num_output为实际的类别数×4
若修改错误，会出现参数不匹配错误
2）修改lib/datasets/pascal_voc.py
self._classes = ('__background__', # always index 0
'people')
在里边添加要识别的类别，比如上边添加了要识别people，然后搜索
x1 = float(bbox.find('xmin').text) -1
y1 = float(bbox.find('ymin').text) -1
改为
x1 = float(bbox.find('xmin').text)
y1 = float(bbox.find('ymin').text)这是为了防止标注数据的box中含有坐标为0的情况，造成训练loss=nan。faster-rcnn 系列在处理生成pascal voc数据集时，为了使像素以0为起点，每个bbox的左上和右下坐标都减一
3）修改lib/datasets/imdb.py
数据整理，在一行代码为 boxes[:, 2] = widths[i] - oldx1 - 1 下加入代码：
for b in range(len(boxes)):
if boxes[b][2]< boxes[b][0]:
boxes[b][0] = 04）修改完pascal_voc.py和imdb.py后进入lib/datasets目录下删除原来的pascal_voc.pyc和imdb.pyc文件，重新生成这两个文件，因为这两个文件是python编译后的文件，系统会直接调用。
终端进入lib/datasets文件目录输入：
python
import py_compile
py_compile.compile(r'imdb.py')
py_compile.compile(r'pascal_voc.py')3、训练数据：
cd pva-faster-rcnn
./tools/train_net.py --gpu 0 --solver models/pvanet/example_finetune/solver.prototxt --weights models/pvanet/full/test.model –iters 100000 --cfg models/pvanet/cfgs/train.yml –imdb voc_2007_trainval4、测试模型：
./tools/test_net.py --gpu 0 --def models/pvanet/example_finetune/test.prototxt --net output/faster_rcnn_pavnet/voc_2007_trainval/pvanet_frcnn_iter_100000.caffemodel --cfg models/pvanet/cfgs/submit_160715.yml