本人近期在学习Faster RCNN目标检测算法，花了近一天时间在Tensorflow下将Faster RCNN实现了，运行了demo.py并得到了结果，因此记录一下从安装到运行，以及对出现的错误进行总结。此次是利用自己的电脑远程访问服务器，在服务器上配置环境并进行运行程序，如果是在自己的电脑上应该也大同小异。
本文为博主原创，转载请注明出处：https://blog.csdn.net/hitzijiyingcai/article/details/81347402
一、环境准备
所使用的环境总的来说是python2.7、cuda8.0、tensorflow1.4.0
１、cuda、cudnn：由于此次是在服务器上进行，因此对于运行所必须的cuda、cudnn等已经在服务器上配好，不需要自己再配置，如果在自己电脑上可以自行百度。
２、Tensorflow：由于本人原来在服务器上配置的tensorflow是在python3环境下，而现有的github上的开源代码都是基于python２的，本人本来尝试进行修改，然而python3是不兼容python2的，有很多函数和语法进行了修改，前期还在尝试，但工作量太大耗时太多。因此本人又重新配置了在python2下的tensorflow，对于此部分配置tensorflow的步骤，大家可以参考本人之前的博客：https://blog.csdn.net/hitzijiyingcai/article/details/81099951。由于是利用Anaconda进行的配置，对此部分概念不太清楚的可以看一下这个https://www.jianshu.com/p/d2e15200ee9b，个人觉得总结的还不错，看一下对于了解自己每一步都在干什么还是有必要的。
在配置好tensorflow之后，就是安装相应的依赖库：
apt-get install cython python-opencv python-tk python-scipy python-yaml
pip install easydict
pip install matplotlib
python -m pip install Pillow在这里需要注意两点，第一点是本人并没有使用sudo命令，是因为本人是在服务器上进行的配置，并不是管理员身份，因此用sudo无法安装，假如是在自己的电脑上进行配置，还是应该加上。第二点是，在利用这些命令进行安装时，以安装pillow为例，往往会出现这样的错误：
对于这样的错误，往往是因为连接超时而没法继续下载，个人感觉是由于通过终端访问网页服务器速度很慢而且有时间限制，所以建议大家可以把截图中最上面那段连接复制到浏览器进行下载，这样可以快很多，下载完成后再copy到相应的服务器文件夹，通过以下命令进行安装：
pip install Pillow-4.1.0-cp27-cp27m-win_amd64.whlNB：这种方式在使用linux系统安装其他工具时也可有效使用，方便又省时。
二、下载Github代码
本人本次使用的为https://github.com/endernewton/tf-faster-rcnn，可通过以下代码直接下载：
git clone https://github.com/endernewton/tf-faster-rcnn.git同样的，这样的方式比较耗时，可以通过直接去github上下载的方式。
NB：对于网上出现的其他github代码，如：https://github.com/CharlesShang/TFFRCNN以及https://github.com/smallcorgi/Faster-RCNN_TF，这两个版本的代码本人都尝试过，但是由于种种原因，总是出现各种错误，也在网上进行了各种搜索，花费了比较长的时间，但是还是出现各种莫名其妙的错误，在这里把搜到的一些解决问题的链接放上，以供有需要的小伙伴参考，加入有成功的小伙伴，欢迎来进行分享。
以下为利用这两个库进行实践的比较有用的链接，大家可自行查看：
https://blog.csdn.net/qq_15650409/article/details/80051018、https://www.cnblogs.com/deeplearning1314/p/8463647.html
https://blog.csdn.net/Seven_year_Promise/article/details/78589656?locationNum=2&fps=1
https://blog.csdn.net/a694262054/article/details/79645093、https://www.cnblogs.com/danpe/p/7825357.html#undefined
三、更改配置
１、更新GPU架构配置
cd ~/tf-faster-rcnn/lib
vim setup.py
到setup.py中找到 -arch 这个参数，改成自己的GPU架构，对应的配置如下图：
因为本人使用的服务器为GTX 1080，因此改为sm_61，大家可以通过nvidia-smi查看自己电脑的GPU配置。
２、链接cython 模块
在上一步那个lib 文件夹中进行
make clean
make
cd ..３、安装 Python COCO API（这是为了使用COCO数据库）
cd data
git clone https://github.com/pdollar/coco.git
cd coco/PythonAPI
make
cd ../../..四、运行Demo 和测试预训练模型
１、下载预训练模型
上一步回到根目录后：
./data/scripts/fetch_faster_rcnn_models.sh这一步的作用是下载要用的模型 voc_0712_80k-110k.tgz ，此文件在终端往往难以下载，会出现如图所示的错误：
因此手动下载文件，可在此网盘中下载：https://pan.baidu.com/s/1kWkF3fT
下载后copy到相应文件夹进行解压：
tar xvf voc_0712_80k-110k.tgz２、建立预训练模型的软连接
回到主目录
NET=res101
TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval
mkdir -p output/${NET}/${TRAIN_IMDB}
cd output/${NET}/${TRAIN_IMDB}
ln -s ../../../data/voc_2007_trainval+voc_2012_trainval ./default
cd ../../..
３、demo测试
在tf-faster-rcnn 这个根文件夹中运行
GPU_ID=0
CUDA_VISIBLE_DEVICES=${GPU_ID} ./tools/demo.py注意：由于是在本地用终端在服务器上运行，demo里面一个文件 import matlibplot.pyplot ，可能会出现DISPLAY 变量未设置这个bug，echo $DISPLAY 命令这时候肯定是什么不显示的，因此，需要对demo.py做如下两处修改：
修改完成后即可运行，运行的结果如图：
图片结果保存如下：
最后，测试预训练模型
首先要下载测试的voc2007模型，下载地址为https://pjreddie.com/projects/pascal-voc-dataset-mirror/，下载后进行解压，重命名为VOCdevkit2007，然后放在data文件夹下。然后还要在其中新建一个txt文件，具体的位置及相关文件夹名称如图：
然后在tf-faster-rcnn根目录下执行以下两个命令：
GPU_ID=0
./experiments/scripts/test_faster_rcnn.sh $GPU_ID pascal_voc_0712 res101跑出来的结果：
NB：本文部分内容参考自
https://www.cnblogs.com/toone/p/8433581.html，https://blog.csdn.net/Angela_qin/article/details/80921688