Faster-RCNN Tensorflow版本ubuntu18.04下的安装配置

记录Faster-RCNN tensorflow版github项目的运行配置过程

【时间：2018.10.9 】

环境及配置

GPU显卡：1070ti-8G
系统环境：Ubuntu=18.04、CUDA=9.0、CUDNN=7.3.x
需要配置： python2.7；tensorflow-gpu==1.8 ；cython；opencv-python；easydict(>=1.8)；PIL(pillow)；matplotlib (❤️.0)；
项目地址： https://github.com/endernewton/tf-faster-rcnn

一、配置过程

step1：使用anaconda创建一个python2.7虚拟环境

	condo create -n tfpy27 python=2.7
	# 启动环境
	conda activate tfpy27

step2： 在环境（tfpy27）中通过pip安装相关依赖项[根据提示可先升级pip版本]

	(tfpy27)#pip install cython
	(tfpy27)#pip install opencv-python
	(tfpy27)#pip install easydict

	注：安装PIL，需要先在系统中安装python-imaging
	sudo apt install python-imaging
	
	(tfpy27)#pip install pillow

step3： 将tf-faster-rcnn github项目克隆到本地

	git clone https://github.com/endernewton/tf-faster-rcnn.git

step4： 进入tf-faster-rcnn根目录进行相关操作

1. 进入lib文件夹进行make
   注意：如果当前系统的gcc版本大于6将不能编译，需要降级，建议4.8版本（见补充附件内容）

	[tf-faster-rcnn根目录执行]
	(tfpy27)#cd lib
	(tfpy27)#make clean
	(tfpy27)#make
	(tfpy27)#cd ..

2. 安装Python COCO API，为了使用Microsoft COCO数据（库）集

	[tf-faster-rcnn根目录执行]
	(tfpy27)#cd data
	(tfpy27)#git clone https://github.com/pdollar/coco.git
	(tfpy27)#cd coco/PythonAPI
	(tfpy27)#make
	(tfpy27)#cd ../../..

3. 测试DEMO和测试pre-train（预训练）的模型

	[tf-faster-rcnn根目录执行]
	(tfpy27)#./data/scripts/fetch_faster_rcnn_models.sh

注：执行此文件将会下载一个预训练好的模型到data/文件夹下，但是由于网络原因执行自动下载将非常耗时或者下载超时。这时可以将下载链接提取出来，用“科学上网”的方式下载。

下载好的文件放在/data/文件夹下，并解压

  tart -vxf voc_0712_80k-110k.tgz

4. 建立符号链接（软链接）使得项目可以读取到下载的预训练模型

[tf-faster-rcnn根目录执行]
(tfpy27)#NET=vgg16 （或res101）
(tfpy27)#TRAIN_IMDB=voc_2007_trainval+voc_2012_trainval
（即解压后的预训练模型的文件夹名）
	
(tfpy27)#mkdir -p output/${NET}/${TRAIN_IMDB}
 (注：创建的output文件夹应该和data是同一级)
	 
(tfpy27)#cd output/${NET}/${TRAIN_IMDB}
(tfpy27)#ln -s ../../../data/voc_2007_trainval+voc_2012_trainval ./default 
(注：建立到下载的预训练模型文件夹的符号链接（软链接）)
	
(tfpy27)#cd ../../..

注：这儿也可以直接将下载好的模型文件复制到 output/vgg16/voc_2007_trainval+voc_2012_trainval中，就不用建立软链接。

5. 测试DEMO

[tf-faster-rcnn根目录执行]
(tfpy27)#GPU_ID=0
(tfpy27)#CUDA_VISIBLE_DEVICES=${GPU_ID} ./tools/demo.py —net=vgg16  
（--net参数可选择不同的模型，详情见/tools/demo.py文件）

6. 如果没有任何错误，将会显示测试图片的检测结果。

二、可能遇到的问题：

1. demo.py测试文件中包含matplotlib相关的显示需求，如果是SSH方式执行，需要相应处理。
2. 出现 READ less require 的情况，需要查看下载的预训练模型是不是有误，具体需要根据下载的模型文件去改demo.py中的代码。
3. 其他出现的问题可更具ERROR错误提示，找到对应的解决办法。

三、其他选项和注意事项：

1. 在lib文件夹下的setup.py文件夹中可以根据对于显卡配置模型，修改后需要重新在lib文件夹中编译（make）
   

2. python只能使用2.7，使用3.6时候运行会提示一些错误;
   另外需要注意CUDA和CUDNN的版本对应情况，tensorflow-gpu 版本大于1.5的支持CUDA 9.X和cuDNN 7.x； 版本小于1.4的支持CUDA 8.X 和cuDNN 5.x；下图为Linux情况，其他详情可访问官网推荐 查看。

参考引用

1、主要参考T.O.-ToOnE的内容，结合自己实践过程中遇到的问题记录于此。
2、tf-faster-rcnn的github项目地址

补充附件A：

UBUNTU 18.04 GCC（G++）降级（或升级）方法

原理：系统中可以同时安装多个版本的GCC，彼此并不冲突。但执行gcc命令时，会更具默认设置来访问对应的版本。因此，只需要修改模板版本的指向即可。
方法：
step0: 查看当前gcc（g++）版本

	gcc —version

step1：下载需要降（升）级的GCC版本

	sudo apt install gcc-4.8

step2: 查看是否安装成功，gcc安装文件夹是/usr/bin/

	ls /usr/bin/gcc* （查看gcc开头的文件）

step3: 更改GCC,G++的默认指向

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 100 
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.8 100

注：最后一个表示执行优先级，数字越大，优先级越高。

step5 ：查看是否降（升）级完成

	gcc —version

成功则会显示新指向的GCC版本。

---

本文结束

---