编译py-faster-rcnn，花费了好几天，中间遇到好多问题，今天终于成功编译。下面详述我的整个编译过程。

【注记：】其实下面的依赖库可以安装在统一的一个本地目录下，相关安装指南，可以参考《深度学习：21天实战caffe》的第5天那一章。（这也是我后来才知道的。）
部分软件见百度云盘：链接: https://pan.baidu.com/s/1kwucs_pDqM-5vN6NbVuLNg 密码: fk0v

# 硬件情况

centos6.9
8块Titan xp显卡

[关于nvidia显卡的对比，可以查看《nvidia显卡对比分析》]

软件情况

boost 1.41

关于boost的情况，虽然caffe官网要求boost>=1.55，但是似乎对于低版本的也没有出现什么问题，如果要安装boost，可以参考《centos 安装boost》，切记要原封不动地安装如上说明去装，否则有可能只装上头文件，却没有动态库.就装在默认目录下即可。
一般安装好以后，头文件在/usr/include/boost，lib文件在/usr/lib64/boost 。
OpenBlas
CUDA8.0
cudnn v6 （如果没有安装，可以自己装在home目录下，可参考< cuda、cudnn相关问题链接>）
查看相应版本号：

cuda 版本
cat /usr/local/cuda/version.txt  cudnn 版本
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

glog
gflags

注意要先安装gflags，再安装glog。安装后者时，注意指定前者的路径，如下：

./configure --prefix=/home/caiyong.wang/bin/caffe_local_install/ CPPFLAGS="-I/home/caiyong.wang/bin/caffe_local_install/include" LDFLAGS="-L/home/caiyong.wang/bin/caffe_local_install/lib"

leveldb
安装可以使用yum install

sudo yum install  leveldb-devel

或者参考《levelDB的安装-Linux》

lmdb
使用pip安装:

pip install lmdb

snappy
首先下载snappy-1.1.1,然后解压，配置：./configure --prefix=/home/**/
最后编译安装： make && make install

以上关于依赖库的安装，可以参考：RHEL / Fedora / CentOS Installation

安装依赖库

anaconda2
首先安装anaconda2,安装方法很简单，就是下载软件，然后运行 bash Anaconda2-5.0.0.1-Linux-x86_64.sh,接着安装过程中，需要指定安装路径和选择加入path环境变量（填yes），即可。重启后，发现python变成anaconda的版本。
opencv-python
使用pip安装：

pip install opencv-python ，最新版为opencv3

安装后

>>> import cv2
>>> print cv2.__version__

注意：在caffe中不用麻烦地安装源码装opencv，会很麻烦，要装一堆依赖库，而且很多需要sudo权限，
请参考< linux 安装python-opencv>
3. easydict

pip install easydict

使用上述命令即可安装成功。
4. protobuf 2.6.1
首先先确认系统是否有装protobuf ，
查看方法：

$ protoc --version
libprotoc 2.3.0

如果没有显示，则说明没有装，另外我们期望装2.6.1(caffe-master使用的protobuf版本是2.5.0及以上),所以版本不符，就需要重装。
注意要装两个probobuf，一个是python的，一个是系统的。而且最好安装2.6.1,比较稳定。

由于anaconda默认没有装protobuf，所以可以使用pip安装指定版本的protobuf。
[python版本]

pip install protobuf==2.6.1

[系统]
从http://download.csdn.net/download/liangyihuai/9534593下载protobuf-2.6.1或从其他地方下载protobuf-2.6.1·.tar.gz。
认真阅读gitHub上给出的安装教程。

$./autogen.sh(在csdn下载的可以省略)
$./configure --prefix=/home/**/protobuf （自己的目录下）
$ make
$ make check
$ make install

编译成功后将export PATH=/home/**/protobuf/bin:$PATH加入到环境变量中

输入 protoc --version命令，如显示protobuf 2.6.1则安装成功。

$ protoc --version
libprotoc 2.6.1

最后进入caffe根目录，修改Makefile.config，在INCLUDE_DIRS后面加入/home//protobuf/include
LIBRARY_DIRS 后面加入 /home//protobuf/lib。
【注意：】
在向path中添加变量的时候，我总结一个原则，即：如果系统的路径，比如/usr/local/bin等，就这样写：

export PATH=$PATH:/usr/local/bin

export PATH=/usr/local/bin:$PATH

如果是自己安装的路径，就：

export PATH=/home/**/protobuf/bin:$PATH

也就是一个在前一个在后的问题。之所以强调这个，是因为有时候系统已经安装了某个软件，如果你想覆盖它，则在path中必须写在它的前面。因此对于自己安装的路径，一般我们都想覆盖原来的软件，所以写在path前面。，而系统安装的软件只有一个，写在前后都可以。我们可以查看echo $PATH 来看最后的path路径结果，并在需要的时候，在~/.bashrc中做相应地调整。一定要注意：
对于含有两个安装位置的软件，如果我们想先读某一个，一定要注意在path的位置。

make check的结果：

5. hdf5
由于前面安装过 anaconda ，所以hdf5已经默认安装。只需要把/*/anaconda2/lib 加入~/.bashrc中，即：

export LD_LIBRARY_PATH=/*/anaconda2/lib:$LD_LIBRARY_PATH

便于搜索hdf5的lib,尤其是 libhdf5_hl.so.100 ，若在后面的编译中仍然找不到此lib的话，只能在home目录下重新安装，参考：http://blog.csdn.net/xiamentingtao/article/details/78266153
6. 关于numpy的版本问题
根据py-faster-rcnn的要求：

numpy>=1.7.1

但是anaconda最新默认装的numpy的版本在1.13.1，虽然符合要求，但是https://github.com/rbgirshick/py-faster-rcnn/issues/480 ,最好numpy的版本为1.11.0，我们可以使用如下命令降级：

pip install -U numpy==1.11.0

下载py-faster-rcnn

克隆Faster R-CNN仓库：

# Make sure to clone with --recursive
git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git

–recursive ：是为了递归下载caffe-master

继续安装python依赖库

将上面的克隆的文件放在安装目录下，这里我们用FRCN_ROOT指 py-faster-rcnn的路径，也就是

进入根目录，然后进入py-faster-rcnn/caffe-fast-rcnn/python中，caffe-fast-rcnn/python/requirement.txt文件列出了pycaffe的所有依赖库，要把requirements下的依赖都装一遍

Cython>=0.19.2
numpy>=1.7.1
scipy>=0.13.2
scikit-image>=0.9.3
matplotlib>=1.3.1
ipython>=3.0.0
h5py>=2.2.0
leveldb>=0.191
networkx>=1.8.1
nose>=1.3.0
pandas>=0.12.0
python-dateutil>=1.4,<2
protobuf>=2.5.0
python-gflags>=2.0
pyyaml>=3.10
Pillow>=2.3.0
six>=1.1.0

执行bash命令：

$for req in $(cat requirements.txt);  do pip install $req; done

如果安装完成，可以再运行一遍上述命令，发现全部装好：

运行pip list可以列出相应地版本号，要注意与上面说的相符，尤其是：protobuf 2.6.1

到目前为止，我们可以对照caffe 官网的install，检测所有必须的依赖库。

合版本

根据《使用cuDNN5编译py-faster-rcnn错误：cudnn.hpp(126): error: argument of type “int” is incompatible …》的要求去操作即可。

或者参考http://blog.csdn.net/u010733679/article/details/52221404 更新最新的cudnn支持。

编译Cython模块

cd $FRCN_ROOT/lib
make

如果出现问题，参考：《编译py-faster-rcnn的问题汇总及解决方法》.

编译caffe& pycaffe

正如caffe官网-install所说，在编译前有两种方法可以配置build,
第一种就是常见的手动设置Makefile.（我所采用的）

cp Makefile.config.example Makefile.config
# Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired)
make all
make test
make runtest
make pycaffe

另一种就是先用cmake(版本>=2.8.7)自动检测各依赖项位置，生成Makefile.也可以自己设置。使用cmake-gui可能更容易些。

mkdir build
cd build
#编译CPU版本
#cmake -DCPU_ONLY=ON -DBLAS=Open .
#编译GPU版本
$cmake -DBLAS=Open -DCUDA_NVCC_FLAGS=--Wno-deprecated-gpu-targets ..
make all
make install
make runtest
make pycaffe

下面给出我自己配置的Makefile.config文件：

## Refer to http://caffe.berkeleyvision.org/installation.html
# Contributions simplifying and improving our build system are welcome!# cuDNN acceleration switch (uncomment to build with cuDNN).USE_CUDNN := 1# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1# uncomment to disable IO dependencies and corresponding data layersUSE_OPENCV := 0USE_LEVELDB := 1USE_LMDB := 1# uncomment to allow MDB_NOLOCK when reading LMDB files (only if necessary)
#   You should not set this flag if you will be reading LMDBs with any
#   possibility of simultaneous read and write
# ALLOW_LMDB_NOLOCK := 1# Uncomment if you're using OpenCV 3
# OPENCV_VERSION := 3# To customize your choice of compiler, uncomment and set the following.
# N.B. the default for Linux is g++ and the default for OSX is clang++
# CUSTOM_CXX := g++# CUDA directory contains bin/ and lib/ directories that we need.
CUDA_DIR := /usr/local/cuda
# On Ubuntu 14.04, if cuda tools are installed via
# "sudo apt-get install nvidia-cuda-toolkit" then use this instead:
# CUDA_DIR := /usr# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 lines for compatibility.
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# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := open
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
BLAS_INCLUDE := /opt/OpenBLAS/include
BLAS_LIB := /opt/OpenBLAS/lib# Homebrew puts openblas in a directory that is not on the standard search path
# BLAS_INCLUDE := $(shell brew --prefix openblas)/include
# BLAS_LIB := $(shell brew --prefix openblas)/lib# This is required only if you will compile the matlab interface.
# MATLAB directory should contain the mex binary in /bin.
#  MATLAB_DIR := /data1/caiyong.wang/bin/matlab
# MATLAB_DIR := /Applications/MATLAB_R2012b.app# NOTE: this is required only if you will compile the python interface.
# We need to be able to find Python.h and numpy/arrayobject.h.
# PYTHON_INCLUDE := /usr/include/python2.7 \
#       /usr/lib/python2.7/dist-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.ANACONDA_HOME := /data1/caiyong.wang/bin/anaconda2PYTHON_INCLUDE := $(ANACONDA_HOME)/include \$(ANACONDA_HOME)/include/python2.7 \$(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include \# Uncomment to use Python 3 (default is Python 2)
# PYTHON_LIBRARIES := boost_python3 python3.5m
# PYTHON_INCLUDE := /usr/include/python3.5m \
#                 /usr/lib/python3.5/dist-packages/numpy/core/include# We need to be able to find libpythonX.X.so or .dylib.
# PYTHON_LIB := /usr/libPYTHON_LIB := $(ANACONDA_HOME)/lib# Homebrew installs numpy in a non standard path (keg only)
# PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include
# PYTHON_LIB += $(shell brew --prefix numpy)/lib# Uncomment to support layers written in Python (will link against Python libs)WITH_PYTHON_LAYER := 1# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include  /data1/caiyong.wang/bin/hdf5-1.10.1/hdf5/include  /data1/caiyong.wang/bin/protobuf/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /data1/caiyong.wang/bin/hdf5-1.10.1/hdf5/lib  /data1/caiyong.wang/bin/protobuf/lib# If Homebrew is installed at a non standard location (for example your home directory) and you use it for general dependencies
INCLUDE_DIRS += $(shell brew --prefix)/include
LIBRARY_DIRS += $(shell brew --prefix)/lib # Uncomment to use `pkg-config` to specify OpenCV library paths.
# (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.)
# USE_PKG_CONFIG := 1BUILD_DIR := build
DISTRIBUTE_DIR := distribute# Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171
# DEBUG := 1# The ID of the GPU that 'make runtest' will use to run unit tests.
TEST_GPUID := 0# enable pretty build (comment to see full commands)
Q ?= @

需要注意的是我禁掉了opencv，并且加入了一些额外的搜索路径，

至于到底是否需要增加，我也不清楚。也许不用添加也可以。你可以自己尝试。
下面再贴出我的~/.bashrc的内容：

# .bashrc# Source global definitions
if [ -f /etc/bashrc ]; then. /etc/bashrc
fi# User specific aliases and functionsalias matlab='/data1/caiyong.wang/bin/matlab/bin/matlab'
export PYTHONPATH=/data1/caiyong.wang/program/faster_rcnn/py-faster-rcnn/caffe-fast-rcnn/python:$PYTHONPATHexport LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH# libglog
export LD_LIBRARY_PATH=/usr/local/lib/:$LD_LIBRARY_PATH# hdf5 (其实可以省略，因为anaconda的lib含有，而且在下面一句已经加上，且加在了自安装的HDF5的前面，所以实际上使用的仍然是anaconda的 版本，如果不行就加上呗。)
#export LD_LIBRARY_PATH=/data1/caiyong.wang/bin/hdf5-1.10.1/hdf5/lib:$LD_LIBRARY_PATHexport LD_LIBRARY_PATH=/data1/caiyong.wang/bin/anaconda2/lib:$LD_LIBRARY_PATHexport PATH=/usr/local/cuda-8.0/bin:$PATH######## add protobuf lib path ########
##(动态库搜索路径) 程序加载运行期间查找动态链接库时指定除了系统默认路径之外的其他路径
#export LD_LIBRARY_PATH=/data1/caiyong.wang/bin/protobuf2/lib/:$LD_LIBRARY_PATH
##(静态库搜索路径) 程序编译期间查找动态链接库时指定查找共享库的路径
#export LIBRARY_PATH=/data1/caiyong.wang/bin/protobuf2/lib/:$LIBRARY_PATH
##执行程序搜索路径
#export PATH=/data1/caiyong.wang/bin/protobuf2/bin/:$PATH
##c程序头文件搜索路径
#export C_INCLUDE_PATH=/data1/caiyong.wang/bin/protobuf2/include/:$C_INCLUDE_PATH
##c++程序头文件搜索路径
#export CPLUS_INCLUDE_PATH=/data1/caiyong.wang/bin/protobuf2/include/:$CPLUS_INCLUDE_PATH
##pkg-config 路径
#export PKG_CONFIG_PATH=/data1/caiyong.wang/bin/protobuf2/lib/pkgconfig/
#######################################
#alias protoc='/data1/caiyong.wang/bin/protobuf2/bin/protoc'
export PATH=/data1/caiyong.wang/bin/protobuf/bin:$PATH
export PATH=/usr/local/bin:$PATH
export LD_LIBRARY_PATH=/data1/caiyong.wang/bin/protobuf/lib:$LD_LIBRARY_PATH# added by Anaconda2 installer
export PATH=/data1/caiyong.wang/bin/anaconda2/bin:$PATH

一般情况下，这样编译就可以通过。这里make runtest花费时间很多，我用了近9个小时。如果不想花费这么长时间，也可以不运行这个指令。

最后为了在python中可以载入caffe模块，我们需要在bashrc设置PYTHONPATH。

export PYTHONPATH=/*/py-faster-rcnn/caffe-fast-rcnn/python:$PYTHONPATH

然后source ~/.bashrc生效。

最终查看python接口是否编译成功：

进入python环境，进行import操作

# python
>>> import caffe
>>> print caffe.__version__
1.0.0

如果没有提示错误，则编译成功。

测试demo

下载预计算的R-CNN检测器

cd $FRCN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh

这个模型解压出来750M，下载的话大概695M，而且很慢。。
为了方便大家，我把模型上传到了百度云链接: https://pan.baidu.com/s/1eSKoVAi 密码: 59ga
注意下载后，解压到data目录下。
2. 运行

cd $FRCN_ROOT
./tools/demo.py

出现结果：（共5个图片来源）

[外链图片转存失败(img-Dv5lyU7I-1567741174724)(https://img-blog.csdn.net/20171019152755856?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQveGlhbWVudGluZ3Rhbw==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)]

成功~~~

最后说明

如果安装过程中还有问题，可以参考：http://blog.csdn.net/xiamentingtao/article/details/78266153

参考文献

rbgirshick/py-faster-rcnn
cuda8+cudnn4 Faster R-CNN安装塈运行demo
使用cuDNN5编译py-faster-rcnn错误：cudnn.hpp(126): error: argument of type “int” is incompatible …
Caffe-faster-rcnn demo测试
caffe官网-install
Caffe学习系列(13)：数据可视化环境（python接口)配置

编译py-faster-rcnn全过程相关推荐

faster rcnn源码解读（三）train_faster_rcnn_alt_opt.py
转载自:faster rcnn源码解读(三)train_faster_rcnn_alt_opt.py - 野孩子的专栏 - 博客频道 - CSDN.NET http://blog.csdn.net/u ...
caffe下matlab、python的配置和faster RCNN的运行
因为自己的电脑没有安装linux环境,显卡也不支持CUDA,所以在实现faster RCNN的demo的过程中还是很麻烦的. 完善项目文件下图是vs2013 打开的caffe解决方案的工程目录.由于 ...
Faster R-CNN源码中ＲＰＮ的解析（自用）
参考博客(一定要看前面两个) 一文看懂Faster R-CNN 详细的Faster R-CNN源码解析之RPN源码解析关于RPN一些我的想法 rpn的中心思想就是在了anchors了,如何产生anc ...
详细的Faster R-CNN源码解析之RPN源码解析
在阔别了将近三个月之后,笔者又准备更新博客了.对于前两个多月的未及时更新,笔者在此向大家表示歉意,请大家原谅. 本次博客的更新是关于Faster R-CNN的源码.首先说一下笔者为什么要更新Faste ...
faster rcnn中anchor的生成
faster rcnn anchor anchors 值的含义为总共有9个anchor,对于每一个anchor,其四个数值分别代表矩形框的左下角x,y,右上角x,y. anchor的预设值为 # V ...
faster rcnn论文_faster-rcnn论文思路及代码编译
先给出全套的程序及参考文献链接: https://github.com/facebookresearch/Detectrongithub.comhttps://github.com/rbgirshi ...
使用gpu(gtx1080) cudnn 5.1下编译faster rcnn
GPU (CUDA 8.0,Cudnn5.1 ) Faster-rcnn 在caffe都弄好的情况下----(现在的版本faster-rcnn据说只支持cudnn 3版本的,所以在这之上要是想使用cu ...
Faster R-CNN python版在Ubuntu16.04环境下配置编译
Faster R-CNN python版在Ubuntu16.04环境下配置编译 1 电脑配置 2 安装显卡驱动 3 安装CUDA 3.1 安装CUDA 3.2 安装CUDNN 3.3 Samples测 ...
faster rcnn可视化（修改demo.py保存网络中间结果）
转载自:http://blog.csdn.net/u010668907/article/details/51439503 faster rcnn用Python版本https://github.com/ ...
faster rcnn源码解读（四）之数据类型imdb.py和pascal_voc.py（主要是imdb和roidb数据类型的解说）
转载自:faster rcnn源码解读(四)之数据类型imdb.py和pascal_voc.py(主要是imdb和roidb数据类型的解说) - 野孩子的专栏 - 博客频道 - CSDN.NET ht ...

编译py-faster-rcnn全过程