Widows下Faster R-CNN的MATALB配置（CPU）

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

说实话，费了很大的劲，在调试的过程中，遇到了很多的问题；

幸运的是，最终还是解决了问题；

这是一篇关于在Windows下Faster R-CNN的MATLAB源码（该项目已不再维护）调试的笔记，目前只在CPU上Testing通过；

GPU版本见：Widows下Faster R-CNN的MATALB配置（GPU）

由于机器配置的原因，没有涉及到Faster R-CNN的Training问题；

另外，机器的软硬件是一个不小的问题，由于使用的Microsoft提供的caffe（该项目已不再维护），该项目使用VS2013、CUDA7.5，由于本文不使用GPU测试及训练，因此不关注CUDA版本；至于VS，之前安装过VS2015，遇到了一些问题，因此为了能够快速的对Faster R-CNN源码的测试，这里不建议使用VS2015；（当然了，使用VS2015也可能会得到想要的结果，但是相对来说，使用VS2013更容易些）

环境配置：

Windows 10

VS 2013

MATLAB 2018a

这里再补充一点，有些博主建议说先安装VS再安装MATLAB，防止MATLAB找不到VS的C/C++编译器；由于本人之前就已经安装过MATLAB，后来才安装的VS2013，幸运的是，关于找不到C编译器的这个问题，没有遇到；

对了，这里做一个整体的概括，我们想要执行Faster R-CNN的MATLAB源码完成Testing；大致可分为三个步骤：

准备工作；下载一些文件；
使用VS2013对Caffe编译；（这一块将会占用很大一部分时间）
测试Faster R-CNN的MATLAB源码；

说实话，里面有很多小细节，一招不慎，就会error；

下面也将分成三大部分进行介绍；

1. 准备工作

1.1 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；

补充说明：

有关external/存放的是编译好的提供matlab接口的caffe，后续我们将使用VS进行编译，并将编译好的caffe放进其中；

有关fetch_data/中有一个脚本文件fetch_caffe_mex_windows_vs2013_cuda65.m用于下载作者提供的编译好的caffe，因为我们需要重新编译，所以并不会使用它；

1.2 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；

1.3 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CommonSettings.props，修改下面内容：

第7行： <CpuOnlyBuild>false</CpuOnlyBuild> 修改成：<CpuOnlyBuild>true</CpuOnlyBuild>

第8行： <UseCuDNN>true</UseCuDNN> 修改成： <UseCuDNN>false</UseCuDNN>

第16行： <MatlabSupport>false</MatlabSupport> 修改成： <MatlabSupport>true</MatlabSupport>

上述三处修改分别表示，仅仅使用CPU、不使用CudNN、使用MATLAB；

继续修改：

第53行： <MatlabDir>C:\Program Files\MATLAB\R2014b</MatlabDir> 修改成：<MatlabDir>F:\software\Matlab 2018a</MatlabDir>

第55行： <IncludePath>$(MatlabDir)\extern\include;$(IncludePath)</IncludePath> 修改成：<IncludePath>$(MatlabDir)\extern\include;$(MatlabDir)\toolbox\distcomp\gpu\extern\include;$(IncludePath)</IncludePath>

上述第一处修改指定MATLAB安装位置；第二处修改，添加文件mxGPUArray.h，否则后续会报错；

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.cpp

打开解决方案资源管理器，找到libcaffe/cu/layers/右键—》添加—》现有项，在./caffe/src/caffe/layers/中找到roi_pooling_layers.cpp文件，进行添加，如下图；

添加成功后，可以看到libcaffe/cu/layers/下有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；

补充说明：

在选择重新生成后，会自动还原NuGet包；

需要还原哪些NuGet包，都在ibcaffe/packages.config中定义，如下图所示；其中有些包的名称为vc120表示适用于VS2013；而VS2015的话，对应名称则为vc140；

之前安装过VS2015，在这里遇到问题了，因为有些包在NuGet网站上就没有对应于vc140的，只有vc120的；

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；

到目前为止，我们已经有了三个文件夹，如下图所示：

./caffe/：表示microsoft提供的caffe；
./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；

2.6 在matlab中使用caffe

在对Faster R-CNN的源码测试之前呢，先说明一下如何在matlab中使用编译好的caffe；

参考其他博客中，最常见的做法是：

首先，将./caffe/Build/x64/Release添加到系统变量的path中；
然后，将./ccaffe/Build/x64/Release/matcaffe添加到matlab的搜索路径中；
最后，打开matlab，在命令行中使用caffe.reset_all()进行测试是否成功；

电脑重启、maltab重启都试过了，然而我的却是总是错误：

未定义变量 "caffe" 或类 "caffe.reset_all"。

怎么解决的呢？最后对比./caffe/matlab/+caffe/与./caffe/Build/x64/Release/matcaffe/+caffe/这两个文件夹才发现了端倪，如下图所示；

发现在多了一些.m文件，而且注意到reset_all.m这个文件在其中，有没有很熟悉；

其实命令caffe.reset_all()中的caffe指的就是这里的文件夹+caffe，.reset_all()就是调用的这个reset_all.m这个脚本文件；

而在编译之后，+caffe这个文件夹是没有reset_all()这个方法的；

因此，在设置系统变量path以及添加matlab搜索路径之后，将缺失的这些方法都拷贝到编译成功的./caffe/Build/x64/Release/matcaffe/+caffe/文件夹中；

这时候，再执行caffe.reset_all()就不会报错了；

输出结果如下：

Cleared 0 solvers and 0 stand-alone nets

那么接下来就开始执行faster r-cnn的源码测试了；

3. Faster R-CNN的MATLAB源码测试

在此之前，我们已经将Faster R-CNN的源码已经下载了，那么就根据作者提供的README.md来一步步的执行；

3.1 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；

如下图所示，会报错，没关系，因为我们使用的是CPU；
第2步：执行start_up.m，会出现下面错误；

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；

进行如下图所示修改：

第一、二处指定使用CPU进行计算；

第二处，由于VGG-16网络有些大，我的笔记本扛不住，因此使用ZF-Net网络；

最后的结果，如下图所示：

3.3 Training

目前这个笔记本还做不了。。。