caffe 的docker安装过程及相关linux操作总结

 安装opencv3(使用源码安装)

下载opencv源码到 /opt 目录下,解压并进入opencv-3.1.0目录;

           mkdir build # 创建编译的文件目录

         cd build cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=http://www.likecs.com/usr/local ..

         make -j8 #编译

            sudo make install #安装

//////////////////////////////////////////////////////////////////////////////////////////////
   linux知识补充:           

     pkg-config --modversion opencv

            pkg-config --libs --cflags opencv #查看gcc或g++编译的CFLAGS,即头文件路径和动态库路径

            注意的是静态库使用ar命令对 .o 文件操作创建的,文件以 .a 结束命名; 使用时在静态库名前加 --lib,如gcc -o hello main.c -L. -lmyhello

            同理动态库使用 gcc -shared -fPCI -o libmyhello.so hello.o 命令创建,文件以 .so 命名;

    1、使用时记得把 libmyhello.so 复制到目录 /usr/lib 中再跑 gcc -o hello main.c -L. -lmyhello; 因为一般Linux系统把/lib和/usr/lib两个目录作为默认的库搜索路径

    2、或者添加linux的搜索路径,在 /etc/ld.so.conf 文件中添加库的搜索路径;当静态库和动态库同名时, gcc命令将优先使用动态库。

           如果 pkg-config --modversion查找不到版本,则手动添加opencv源码的opencv4.pc文件到/usr/lib/pkconfig/;

           opencv4.pc的目录在 ~/Desktop/opencv-4.0.0-alpha/build/unix-install,可以使用 find ./ -name opencv4.pc 来在当前目录往下查找

           或者使用 export PKG_CONFIG_PATH=~/Desktop/opencv-4.0.0-alpha/build/unix-install:$PKG_CONFIG_PATH //opencv4.pc在源码的路径

      然后使用$echo$PKG_CONFIG_PATH 来查看 PKG_CONFIG_PATH的路径设置是什么。

//////////////////////////////////////////////////////////////////////////////////////////////////

4、安装caffe和编译


    git clone https://github.com/BVLC/caffe.git

    sudo cp Makefile.config.example Makefile.config

    sudo gedit Makefile.config #开启选项和设置路径(cudnn,opencv 版本,python 接口层,python 路径)

    然后修改 caffe 目录下的 Makefile 文件(NVCCFLAGS,LIBRARIES)

    make all -j8  #编译

    sudo make runtest -j8  #跑自带的测试

    ###编译pycaffe

    cd caffe

    sudo make pycaffe -j8



    5、下载模型VGG16预训练模型:

  sh  data/scripts/fetch_faster_rcnn_models.sh
此脚本会下载好faster-rcnn的训练好的模型,接着运行demo.py就可以运行示例程序了。具体过程看另外一篇关于demo源码解析的博客.

///////////////////////////////////////////////////////////////////////////////////////////////////////////
    caffe安装编译成功后,跑fast-cnn代码时(Python tools/demo.py),会出现cudnn6不兼容该项目的错误,此时有两种方法:

    cd caffe-fast-rcnn
    git remote add caffe https://github.com/BVLC/caffe.git
    git fetch caffe
    git merge caffe/master
    最后注释掉 self_.attr(“phase”) = static_cast(this->phase_); from include/caffe/layers/python_layer.hpp after merging.
    这种方法有时候会成功,有时候则不会
    手动修改文件
    1. 用最新caffe源码的以下文件替换掉faster rcnn 的对应文件
    include/caffe/layers/cudnn_relu_layer.hpp, src/caffe/layers/cudnn_relu_layer.cpp, src/caffe/layers/cudnn_relu_layer.cu
    include/caffe/layers/cudnn_sigmoid_layer.hpp, src/caffe/layers/cudnn_sigmoid_layer.cpp, src/caffe/layers/cudnn_sigmoid_layer.cu
    include/caffe/layers/cudnn_tanh_layer.hpp, src/caffe/layers/cudnn_tanh_layer.cpp, src/caffe/layers/cudnn_tanh_layer.cu
    2 用caffe源码中的这个文件替换掉faster rcnn 对应文件
    include/caffe/util/cudnn.hpp

 至此可以使用训练好的模型VGG16来检测识别物体了。
///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////


二、所用到的docker命令   

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zzxjxy.html