caffe2 环境的搭建以及detectron的配置

建议大家看一下这篇博客https://tech.amikelive.com/node-706/comprehensive-guide-installing-caffe2-with-gpu-support-by-building-from-source-on-ubuntu-16-04/?tdsourcetag=s_pctim_aiomsg,是属于比较新的博客,因为caffe2已经合并到pytorch了,所以某些内容已经并不适用了.

环境的安装

安装cuda9.0
安装cudnn7.0

按照官网的源码安装说明进行安装caffe2

https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile

使用anaconda3, python2.7

安装需要的库

sudo apt-get update
sudo apt-get install -y --no-install-recommends \
      build-essential \
      cmake \
      git \
      libgoogle-glog-dev \
      libgtest-dev \
      libiomp-dev \
      libleveldb-dev \
      liblmdb-dev \
      libopencv-dev \
      libopenmpi-dev \
      libsnappy-dev \
      libprotobuf-dev \
      openmpi-bin \
      openmpi-doc \
      protobuf-compiler \
      python-dev \
      python-pip                          
sudo pip install \
      future \
      numpy \
      protobuf

libgflags2根据系统选择

# 对于 Ubuntu 14.04
sudo apt-get install -y --no-install-recommends libgflags2
# 对于 Ubuntu 16.04
sudo apt-get install -y --no-install-recommends libgflags-dev

下载

git clone --recursive https://github.com/caffe2/caffe2.git && cd caffe2
make && cd build && sudo make install

测试

测试caffe2是否安装成功

cd ~ && python -c \'from caffe2.python import core\' 2>/dev/null && echo "Success" || echo "Failure"

如果是failure，试着cd到caffe2/build的文件夹里，然后执行

python -c \'from caffe2.python import core\' 2>/dev/null

如果successful，说明是环境变量的设置问题，如果还是失败，则会有具体的提示。

配置环境变量，编辑~/.bashrc

sudo gedit ~/.bashrc

添加以下内容：

export PYTHONPATH=/usr/local:PYTHONPATH
export PYTHONPATH=PYTHONPATH:/home/....../caffe2/build  (后面路径为caffe2的编译路径，在caffe2/build中，命令行输入pwd可以得到这个路径)
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

安装detectron

官方说明文档：https://github.com/facebookresearch/Detectron/blob/master/INSTALL.md

下载下来文件：

git clone https://github.com/facebookresearch/detectron

编译python库 cd DETECTRON/lib && make （DETECTRON表示你clone下来的文件夹）测试是否编译成功 python2 $DETECTRON/tests/test_spatial_narrow_as_op.py （DETECTRON表示你clone下来的文件夹）

detectron 使用测试

说明文档：https://github.com/facebookresearch/Detectron/blob/master/GETTING_STARTED.md

根据不同的需求，对象检测可以分为几种，1）Bounding box，2）Mask，3）KeyPoints

这里给出两个例子，用mask和

python2 tools/infer_simple.py \
    --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts https://s3-us-west-2.amazonaws.com/detectron/35861858/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_2x.yaml.02_32_51.SgT4y1cO/output/train/coco_2014_train:coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    demo

python2 tools/infer_simple.py \
    --cfg configs/12_2017_baselines/e2e_keypoint_rcnn_R-101-FPN_s1x.yaml \
    --output-dir /tmp/detectron-visualizations \
    --image-ext jpg \
    --wts https://s3-us-west-2.amazonaws.com/detectron/37698009/12_2017_baselines/e2e_keypoint_rcnn_R-101-FPN_s1x.yaml.08_45_57.YkrJgP6O/output/train/keypoints_coco_2014_train%3Akeypoints_coco_2014_valminusminival/generalized_rcnn/model_final.pkl \
    demo