最近开始做行人检测，因此开始接触faster-rcnn，这里贴上配置教程（亲测可行），不过是基于cpu的，蓝瘦。。。
参考博客：http://www.tuicool.com/articles/nYJrYra（opencv配置）
http://blog.csdn.net/sinat_17196995/article/details/53410292（faster-rcnn配置）
环境：ubuntu16.04
一、首先要配置好opencv
这里我是在opencv官网上下载了opencv-3.0.0-rc1(版本最好3.0.0以上)，然后开始安装opencv所需的库（编译器、必须库、可选库）
1 [compiler] sudo apt-get install build-essential 2 [required] sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev 3 [optional] sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
然后开始编译opencv，将下载得到的opencv3.0.0解压：
unzip opencv- 3.0. 0-rc1. zip
创建编译目录，编译：
cd ~/opencv-3.0.0-rc1 mkdir release cd release cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local .. make sudo make install
最后测试一下我们的opencv:
（1）创建工作目录
mkdir ~/opencv-lena cd ~/opencv-lena gedit DisplayImage.cpp
（2）编辑如下代码：
#include <stdio.h>
#include <opencv2/opencv.hpp>
using namespace cv;
int main(int argc, char** argv )
{
if ( argc != 2 )
{
printf("usage: DisplayImage.out <Image_Path>\n");
return -1;
}
Mat image;
image = imread( argv[1], 1 );
if ( !image.data )
{
printf("No image data \n");
return -1;
}
namedWindow("Display Image", WINDOW_AUTOSIZE );
imshow("Display Image", image);
waitKey(0);
return 0;
}
（3）创建CMake编译文件：
gedit CMakeLists.txt
（4）编译
cd ~/opencv-lena cmake . make
（5）执行
此时opencv-lena文件夹中已经产生了可执行文件DisplayImage，下载lena.jpg放在opencv-lena下，运行下面命令：
./DisplayImage lena.jpg
（6）结果：
二、开始配置CPU模式的py-faster-rcnn:
第一步：下载源码和demo模型数据
先cd到你想保存的目录，然后运行
git clone –recursive https://github.com/rbgirshick/py-faster-rcnn.git
（这里注意一下，最好用clone命令，因为我自己尝试过几次在github官网上下载它，下载文件不全，没有caffe-fast-rcnn文件，完整的文件大小在40M左右）
在下载好的py-faster-rcnn的文件夹下运行
./data/scripts/fetch_faster_rcnn_models.sh
模型数据下载。
第二步：编译cpython模块
进入lib文件夹下，首先修改下set.py文件的内容，注释掉
GPU的相关代码。参考如下：（…表示中间又不用注释跳过去的内容）
…
#CUDA = locate_cuda()
…
# self.set_executable(‘compiler_so’, CUDA[‘nvcc’])
…
# Extension(‘nms.gpu_nms’,
# [‘nms/nms_kernel.cu’, ‘nms/gpu_nms.pyx’],
# library_dirs=[CUDA[‘lib64’]],
# libraries=[‘cudart’],
# language=’c++’,
# runtime_library_dirs=[CUDA[‘lib64’]],
# # this syntax is specific to this build system
# # we’re only going to use certain compiler args with nvcc and not with
# # gcc the implementation of this trick is in customize_compiler() below
# extra_compile_args={‘gcc’: [“-Wno-unused-function”],
# ‘nvcc’: [‘-arch=sm_35’,
# ‘–ptxas-options=-v’,**
# ‘-c’,
# ‘–compiler-options’,
# “’-fPIC’”]},
# include_dirs = [numpy_include, CUDA[‘include’]]
# ),
…
修改完之后保存退出，在lib目录下执行 make命令。
第三步：修改faster-rcnn编译文件
进入caffe-fast-rcnn目录，首先执行cp Makefile.config.example Makefile.config
大部分跟caffe安装一样，下面修改Makefile.config
参考如下：
# USE_CUDNN := 1 注意这里一定要注释掉，下面显示的是不用注释的部分。 （这里有关路径可以参照当时自己配置好的caffe中的路径来）
…
CPU_ONLY := 1
…
BLAS := atlas
BLAS_INCLUDE := /usr/include/atlas-x86_64-base （这里每个人可能不一样，按照自己的路径来就行）
BLAS_LIB := /usr/lib64/atlas
…
PYTHON_INCLUDE := /usr/include/python2.7 \
/usr/lib64/python2.7/site-packages/numpy/core/include （这里要注意一点，因为可能大多数都用的anaconda的IDE,那么路径就要改为n你anaconda的路径，并且你在后面运行faster-rcnn，如果它提示你缺少什么库，你就用pip下载那个库，还要放到anaconda的site-packages,才算在anaconda中导入了这个库）
…
PYTHON_LIB := /usr/lib64
…
WITH_PYTHON_LAYER := 1
…
INCLUDE_DIRS := (PYTHONINCLUDE)/usr/includeLIBRARYDIRS:=(PYTHON_LIB) /usr/lib64
…
BUILD_DIR := build
DISTRIBUTE_DIR := distribute
然后运行 cd /home/**（您服务器的名字）/py-faster-rcnn/caffe-fast-rcnn
mkdir build
cd build
cmake ..
make -j8
make test
make runtest -j8
make pycaffe
以上是检验你的caffe和Python接口编译有没有问题。
（补充一点，由于不用gpu，所以你在运行runtest估计会出错，关于gpu的错误，可以不用执行这一步）
第四步：运行demo
在tools文件下 运行 ./demo.py –cpu
如果报错，缺少一些东西，可能是一些库文件没有下载，根据错误提示下载就好。
如果提示一下错误：ImportError: No module named gpu_nms
不要着急，在py-faster-rcnn下搜索nms_wrapper.py打开它修改
force_cpu =True
也建议把nms_wrapper.py的第9行 from nms.gpu_nms import gpu_nms 注释掉。然后运行demo，等一会就出来一些标记目标的图片，就成功啦。
最后的最后，配置cpu的前提是你的机子内存要大，至少要8g，楼主的4g根本跑不起来demo（提示说核心已转储，就是说内存访问超出边界，内存不够，或许缩小点图片或者换个网络可以，但终究太慢太慢），所以这个cpu配置仅供参考。。。。