说明
本来用的Ubuntu14.04，毕竟都说14比16稳定嘛。但是配置好了后，运行demo.py都没问题了，但是训练的时候出现
TypeError numpy.float64 object cannot be interpreted as an index
都说是numpy版本问题，得用1.11.0，因此降到1.11.0（sudo pip install -U numpy==1.11.0）
但是装了numpy1.11.0后出现
numpy.core.multiarray failed to import
网上都说版本不兼容，得升级到新版本。升级又出现上面那个问题。
我就无语了，上面两个是循环的问题啊，无法解决。
卡了好几天，最后通过apt-cache show python-numpy，查看到numpy版本居然是1.8！无论怎么更新，就算通过
import numpy
numpy.__version__
显示的都不是1.8。但其实内核是1.8，因为Ubuntu14只能支持到1.8，所以放弃了Ubuntu14
一、必要配置安装
CUDA、opencv我的其他文章已经写过了，也可参考网上其他教程，这里就跳过。
二、安装一些包
pip install cython
pip install easydict
apt-get install python-opencv
还有些包根据错误提示安装就好了。
三、下载py-faster-rcnn
使用git clone，保证caffe分支一起clone下来
git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git
四、进入py-faster-rcnn/lib
make
五、进入py-faster-rcnn\caffe-fast-rcnn
cp Makefile.config.example Makefile.config
然后配置Makefile.config：是否用CUDNN、是否是opencv3
重要的一点是必须
WITH_PYTHON_LAYER :=1
配置好后，执行：
make -j8 && make pycaffe
六、下载VOC2007数据集
（当然也可以直接用自己的数据集）
百度网盘下载VOC2007：http://pan.baidu.com/s/1mhMKKw4
把VOC2007数据集放在py-faster-rcnn\data目录下，用自己的数据集替换VOC2007数据集。（替换py-faster-rcnn\data\VOCdevkit2007\VOC2007目录下的Annotations，ImageSets和JPEGImages）
六、下载ImageNet数据集下预训练得到的模型参数（用来初始化训练参数）
百度网盘下载地址：http://pan.baidu.com/s/1hsxx8OW
解压后将该文件放在py-faster-rcnn\data下
七、训练参数修改（以ZF网络为例）
1、py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_fast_rcnn_train.pt
代码一
layer {
name: 'data'
type: 'Python'
top: 'data'
top: 'rois'
top: 'labels'
top: 'bbox_targets'
top: 'bbox_inside_weights'
top: 'bbox_outside_weights'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1
}
}
代码二
layer {
name: "cls_score"
type: "InnerProduct"
bottom: "fc7"
top: "cls_score"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 16 #按训练集类别改，该值为类别数+1
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}
代码三
layer {
name: "bbox_pred"
type: "InnerProduct"
bottom: "fc7"
top: "bbox_pred"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 64 #按训练集类别改，该值为（类别数+1）*4
weight_filler {
type: "gaussian"
std: 0.001
}
bias_filler {
type: "constant"
value: 0
}
}
}
2、py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_rpn_train.pt
layer {
name: 'input-data'
type: 'Python'
top: 'data'
top: 'im_info'
top: 'gt_boxes'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1
}
}
3、py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage2_fast_rcnn_train.pt
代码一
layer {
name: 'data'
type: 'Python'
top: 'data'
top: 'rois'
top: 'labels'
top: 'bbox_targets'
top: 'bbox_inside_weights'
top: 'bbox_outside_weights'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1
}
}
代码二
layer {
name: "cls_score"
type: "InnerProduct"
bottom: "fc7"
top: "cls_score"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 16 #按训练集类别改，该值为类别数+1
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}
代码三
layer {
name: "bbox_pred"
type: "InnerProduct"
bottom: "fc7"
top: "bbox_pred"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
inner_product_param {
num_output: 64 #按训练集类别改，该值为（类别数+1）*4
weight_filler {
type: "gaussian"
std: 0.001
}
bias_filler {
type: "constant"
value: 0
}
}
}
4、py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/stage2_rpn_train.pt
layer {
name: 'input-data'
type: 'Python'
top: 'data'
top: 'im_info'
top: 'gt_boxes'
python_param {
module: 'roi_data_layer.layer'
layer: 'RoIDataLayer'
param_str: "'num_classes': 16" #按训练集类别改，该值为类别数+1
}
}
5、py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt/faster_rcnn_test.pt
代码一
layer {
name: "cls_score"
type: "InnerProduct"
bottom: "fc7"
top: "cls_score"
inner_product_param {
num_output: 16 #按训练集类别改，该值为类别数+1
}
}
代码二
layer {
name: "bbox_pred"
type: "InnerProduct"
bottom: "fc7"
top: "bbox_pred"
inner_product_param {
num_output: 64 #按训练集类别改，该值为（类别数+1）*4
}
}
6、py-faster-rcnn/lib/datasets/pascal_voc.py
下面这是要修改的：
class pascal_voc(imdb):
def __init__(self, image_set, year, devkit_path=None):
imdb.__init__(self, 'voc_' + year + '_' + image_set)
self._year = year
self._image_set = image_set
self._devkit_path = self._get_default_path() if devkit_path is None \
else devkit_path
self._data_path = os.path.join(self._devkit_path, 'VOC' + self._year)
self._classes = ('__background__', # always index 0
'你的标签1','你的标签2',你的标签3','你的标签4'
)
上面要改的地方是
修改训练集文件夹：
self._data_path = os.path.join(self._devkit_path, 'VOC'+self._year)
用你的数据集直接替换原来VOC2007内的Annotations，ImageSets和JPEGImages即可，就用修改了，以免出现各种错误。
修改标签：
self._classes = ('__background__', # always index 0
'你的标签1','你的标签2','你的标签3','你的标签4'
)
7、py-faster-rcnn/lib/datasets/imdb.py修改
该文件的append_flipped_images(self)函数修改为：
def append_flipped_images(self):
num_images = self.num_images
widths = [PIL.Image.open(self.image_path_at(i)).size[0]
for i in xrange(num_images)]
for i in xrange(num_images):
boxes = self.roidb[i]['boxes'].copy()
oldx1 = boxes[:, 0].copy()
oldx2 = boxes[:, 2].copy()
boxes[:, 0] = widths[i] - oldx2 - 1
print boxes[:, 0]
boxes[:, 2] = widths[i] - oldx1 - 1
print boxes[:, 0]
assert (boxes[:, 2] >= boxes[:, 0]).all()
entry = {'boxes' : boxes,
'gt_overlaps' : self.roidb[i]['gt_overlaps'],
'gt_classes' : self.roidb[i]['gt_classes'],
'flipped' : True}
self.roidb.append(entry)
self._image_index = self._image_index * 2
8、学习率和迭代次数修改
至于学习率等之类的设置，可在py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt中的solve文件设置。
迭代次数可在py-faster-rcnn\tools的train_faster_rcnn_alt_opt.py中修改：
max_iters = [80000, 40000, 80000, 40000]
分别为4个阶段（rpn第1阶段，fast rcnn第1阶段，rpn第2阶段，fast rcnn第2阶段）的迭代次数。可改成你希望的迭代次数。
如果改了这些数值，最好把py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt里对应的solver文件（有4个）也修改，stepsize小于上面修改的数值。
训练前其他说明：
为防止与之前的模型搞混，训练前把output文件夹删除，还要把py-faster-rcnn/data/cache中的文件和
py-faster-rcnn/data/VOCdevkit2007/annotations_cache中的文件删除（如果有的话）。
八、开始训练（以ZF网络为例）
进入py-faster-rcnn，执行：
./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc
九、测试（以ZF网络为例）
将训练得到的py-faster-rcnn\output\faster_rcnn_alt_opt\***_trainval中ZF的ZF_faster_rcnn_final.caffemodel拷贝至py-faster-rcnn\data\faster_rcnn_models（如果没有这个文件夹，就新建一个），然后修改：
py-faster-rcnn\tools\demo.py,主要修改：
CLASSES = ('__background__',
'你的标签1', '你的标签2', '你的标签3', '你的标签4')
NETS = {'vgg16': ('VGG16',
'VGG16_faster_rcnn_final.caffemodel'),
'zf': ('ZF',
'ZF_faster_rcnn_final.caffemodel')}
上面ZF的caffemodel改成你的caffemodel。没做修改就不改。
im_names = ['test1.jpg','test2.jpg']
改成你的测试图片。(测试图片放在py-faster-rcnn\data\demo中)。也可自己看代码再修改。
开始测试:
在py-faster-rcnn下，执行：
./tools/demo.py --net zf
如果不出错的话就会显示检测结果。