Widows下Faster R-CNN的MATALB配置（GPU）

1. 准备工作
2. VS2013编译Caffe
3. Faster R-CNN的MATLAB源码测试

说在前面，这篇是关于Windows下Faster R-CNN的MATLAB配置，GPU版本；CPU版本见：Widows下Faster R-CNN的MATALB配置（CPU）；

相比较来说，CPU版本相对容易一些，因为涉及到GPU的计算，还需要配置CUDA以及CuDNN；

下面将分成三个部分进行介绍：

准备工作：下载caffe、faster rcnn源码、安装cuda、cudnn；
VS2013编译caffe： 编译支持matlab接口的caffe；
Faster R-CNN的MATLAB源码测试：

环境配置：

Windows 10

VS 2013

CUDA 7.5, CuDNN V5

MATLAB 2018a

1. 准备工作

1.1 安装CUDA、CuDNN

有关安装CUDA的过程见：Windows下安装CUDA8.0；该文章记录的是安装CUDA 8.0的过程以及在VS上的使用；

附加说明：

建议使用CUDA 7.5，CuDNN V5；

注意：将CuDNN压缩包解压到与下面的caffe与faster rcnn位于同级目录；

1.2 Faster R-CNN的MATLAB源码

下载faster_rcnn的matlab源码：下载地址；

得到./faster_rcnn文件夹；

打开matlab，定位到./faster_rnn/，目录结构如下图所示；

部分文件夹介绍：

experiment/：主要是用于testing/training的脚本；

external/：主要存放成功编译的提供matlab接口的caffe；（后面将花费很多时间在这个上面）

fetch_data/：作者提供的一些用于下载的脚本文件；

其中的都是一些依赖方法，大家可以去看一下；

1.3 Microsoft-Caffe

下载Microsoft提供的caffe：下载地址；

解压得到./caffe文件夹；

目前，我们得到两个文件夹；

1.4 matlab指定C/C++编译器

打开matlab，执行：

mex -setup

选择 Microsoft Visual C++ 2013 (C) 进行C语言编译，如下图：

2. VS2013编译Caffe

2.1 CommonSettings.props

打开./caffe/windows/，找到CommonSettings.props.example文件，复制后，将名称改为CommonSettings.props，如下图：

使用Notepad打开·./caffe/windows/CommonSettings.props，根据自己的配置，做如下修改：

第一处红框：使用CUDA加速计算、仅使用CPU计算，两者选其一；由于我们配置GPU，CUDA版本7.5，因此配置如图；
第二处红框：提供matlab接口；
第三处红框：指定CuDNN V5的路径，我的配置路径如图所示；也就是说将下载好的CuDNN压缩包解压到G:\ObjectDetection\Faster R-CNN\Faster R-CNN_GPU中；
第四处红框：修改两个位置，一个是MATLAB的安装路径，另一个如图；

补充说明：

有关<CudaArchitecture>compute_35,sm_35;compute_52,sm_52</CudaArchitecture>，可以修改为与自己显卡相对应的计算能力，提示说可以减少编译时间；

有关显卡的计算能力查询，见：英伟达GPU显卡计算能力评估（深度学习）；

2.2 项目-属性配置

修改完成，使用VS2013打开./caffe/windows/Caffe.sln，双击即可；

打开之后，将Debug模式调成Release模式；（在调试的过程中，可能会重新加载项目，注意需要调整成Release）

之后，

libcaffe项目右键—> 属性—>配置属性—> C/C++ —> 常规，将将警告视为错误修改为否；

否则，编译libcaffe时会报下面的错误；

提示出现：error C2220:...，表示alt_sstream_impl.hpp文件编码格式错误；解决方法是：双击错误信息，弹出错误提示信息，确定后打开一个alt_sstream_impl.hpp文件，然后Ctrl+S进行保存即可；

2.3 添加roi_pooling_layer

打开解决方案资源管理器，

在项目libcaffe中添加roi_pooling_layer.cu, roi_pooling_layer.cpp, roi_pooling_layer.hpp:

libcaffe/cu/layers/右键—>添加—>现有项，添加./caffe/src/caffe/layers/roi_pooling_layers.cu文件；
libcaffe/include/layers/右键—>添加—>现有项，添加加./caffe/include/caffe/layers/roi_pooling_layers.hpp文件；
libcaffe/src/layers/右键—>添加—>现有项，添加./caffe/src/caffe/layers/roi_pooling_layers.cpp文件；

2.4 编译libcaffe

选中项目libcaff，右键—> 重新生成；

首先会自动还原NuGet包，然后生成成功；

======== 全部重新生成:  成功 1 个，失败 0 个，跳过 0 个 ==========

（如果出现错误（不包含警告），仔细检查上面配置是否正确；）

2. 5 编译matcaffe

如果上面幸运的话，没出什么错，那这里也不会遇到什么麻烦了；

类似重新生成libcaffe，以同样的方式，选择matcaffe，右键—> 生成；

成功后，输出：

========== 生成:  成功 2 个，失败 0 个，最新 1 个，跳过 0 个 ==========

到目前为止，我们已经有了四个文件夹，如下图所示：

./caffe/：表示microsoft提供的caffe；
./cuda/：表示CuDNN V5的文件，解压到该处；
./faster_rcnn/：表示faster r-cnn的matlab源码；
./NugetPackages/：就是在编译libcaffe时还原出来的NuGet包；
另外，./caffe/Build/x64/Release/下就是得到caffe；

其中，./caffe/Build/文件夹就是编译caffe得到文件；

如果在./caffe/Build/x64/Release/matcaffe+caffe/private/文件夹下，有caffe_.mexw64文件表明caffe的matlab接口编译正确；

3. Faster R-CNN的MATLAB源码测试

3.1 external

在Faster R-CNN的源码中，我们看到有./faster_rcnn/external/caffe/文件夹，该文件夹是为了存放编译好的caffe；

而在这里，并不打算将编译好的caffe复制到该文件夹下，而是通过设置系统环境变量和添加matlab搜索路径；

具体步骤如下：

将./caffe/Build/x64/Release/添加到系统变量的path中；
将./caffe/Build/x64/Release/matcaffe/添加到matlab的搜索路径中；
将./caffe/matlab/+caffe/文件夹（不包含子文件夹）下的所有.m文件拷贝到/caffe/Build/x64/Release/matcaffe/+caffe/文件夹下；
重启电脑，完成caffe在matlab中的配置；

3.2 Preparation for Testing

Run fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.m to download a compiled Caffe mex (for Windows only).

Run faster_rcnn_build.m

Run startup.m

其中，

第0步：表示下载作者提供的编译好的caffe，因为我们已经编译好了，这里不需要执行；
第1步：执行faster_rcnn_build.m；

打开faster_rcnn_build.m后，修改nvmex.m文件，如下图：

按照VS的安装位置修改红框内的路径；
第二个红框注意修改CUDA版本；
其他变量都是通过系统变量来获取得到的；

补充说明：

在使用Matlab 2018a执行faster_rcnn_build.m时，总是报错：

LIBCMT.lib(crt0dat.obj) : error LNK2005: _amsg_exit 已经在 MSVCRT.lib(MSVCR120.dll) 中定义

LIBCMT.lib(crt0dat.obj) : error LNK2005: _initterm_e 已经在 MSVCRT.lib(MSVCR120.dll) 中定义

...

不知道怎么解决，幸好没有将之前安装matlab 2016a卸载，使用matlab2016a再执行，就成功通过了；

第2步：执行start_up.m文件；

这是因为，我们没有将编译好的caffe放在./external/caffe/文件夹下；

因此，根据错误提示，需要在./external/caffe/文件夹下新建一个空白名为matlab的文件夹；

然后，再执行start_up.m，就不会报错了；

3.2 Testing Demo

Run fetch_data/fetch_faster_rcnn_final_model.m to download our trained models.

Run experiments/script_faster_rcnn_demo.m to test a single demo image.

其中，

第0步：下载作者提供的训练好的模型文件；

其中下载链接好像需要翻墙，如果有需要的话，可以从这里下载：下载地址，提取码：62n6；

下载完成后，解压到./faster_rcnn/中，覆盖原来的./faster_rcnn/output/文件夹，以及多出了五张图片；
第1步：执行脚本文件experiments/script_faster_rcnn_demo.m，测试；

当然该脚本中的参数，可以适当调整；

由于我的笔记本不行，即使换成ZF-Net也跑步了，检测的结果了，结果应该和Widows下Faster R-CNN的MATALB配置（CPU）是一致；