caffe

由于安装了anaconda ,caffe，后面又安装了pytorch，mmdetection，tensorboardX，导致环境中protoc和protobuf相当混乱 后面在编译caffe的时候，已经编辑不过去了。所以折腾了一段时间，终于知道如何彻底解决这个问题了，麻麻在也不用担心我的protobuf的冲突了。 1：一般protobuf安装有3种方式 apt-get install libprotobuf-dev protobuf-compiler[安装在系统] pip install protobuf==3.0.0[安装在python] conda install libprotobuf=3.0.0[安装在anaconda] 2:针对3种分别卸载 sudo apt-get remove libprotobuf-dev sudo apt-get remove protobuf-compiler sudo apt-get remove python-protobuf sudo rm -rf /usr/local/bin/protoc sudo rm -rf /usr/bin/protoc sudo rm -rf /usr/local/include/google sudo rm -rf /usr/local/include/protobuf* sudo rm -rf /usr

以下内容根据个人理解整理而成，如有错误，欢迎指出，不胜感激。 0. 写在前面 由于近期的工作需要用到TensorRT和TensorRT Inference Server，自己也是第一次接触，因此在这里记录下相关的学习和使用笔记，内容主要来自于官方相关文档，如 TensorRT Developer Guide 等。 本文主要记录TensorRT相关的基础知识，主要包括以下几个方面： 什么是TensorRT TensorRT的工作原理 TensorRT学习资源总结 1. 什么是TensorRT 可以把TensorRT看做一个“深度学习框架”，不同于常用的TensorFlow、PyTorch和Caffe等深度学习框架，TensorRT的目的不是如何训练我们的深度学习模型，而是考虑如何将那些使用其他框架训练好的模型进行高效快速的Inference。 官方 的这张图可以很明确的说明TensorRT的作用：用于模型训练完之后的部署阶段，以进行高效低延时的Inference： 要注意，TensorRT是NVIDIA配套其相关GPU提供的，并不支持在CPU和其他GPU上使用。 2. TensorRT的工作原理 这里会有疑问： 直接使用TensorFlow和PyTorch等模型进行部署不可以吗？ 这当然是可以的，只是TensorRT是一个专用的Inference工具，使用它进行部署会使模型运行更高效

测试代码：https://github.com/luoyetx/mini-caffe/tree/master （example中deeplandmark例子） 训练代码：https://github.com/luoyetx/deep-landmark 测试代码的配置参考：http://blog.csdn.net/xzzppp/article/details/68495341 训练代码，在配置好GPU版本caffe后，按github步骤，很好配置。 测试阶段： 一，用作者提供的正脸图像进行测试，发现效果较好，如下图所示： 二，思考：是不是对其他图片识别效果也不错，用其他图像进行测试，发现效果如下（贴出部分检测到的图片）： 图片效果： 直观上看，关键点定位还行，人脸检测比较差，很多人脸检测不出，人脸检测用opencv实现的。 三，发现：有难度的基本没检测出来，解决方法两个思路：要么换个效果较好的检测器，要么手动截取人脸做landmark。我先手动截取人脸，输入到CNN网络中做landmark。 整图是我抠出的人脸，红色框是程序自带的缩小人脸中关键点检测范围。对于同一个图片，我抠出了不同大小的人脸。但效果测试下来不太理想，甚至比用自带检测器检测做的人脸关键点检测的demo的效果还差 四、分析和解决问题 分析：可能是检测器的问题，继续试验：对自带检测器检测到的人脸框，分别进行放大、缩小操作

1. demo 地址: http://www.huchengchun.com:8127/porn_classification 接口说明: 1. http://www.huchengchun.com:8127/porn_classification 提供了一个简易的网页工具，用户可以上传若干张图片，服务端会传回每一张图片是否是色情图片的判定，结果的形式是json格式。截图如下: 返回结果的说明: 返回结果整体是一个json,key是加上时间戳后缀的上传图片名称，value是上传图片的色情的判定，其中: hentai 表示变态图片;drawings 表示普通的绘画图片;porn表示色情图片(可能会漏点),sexy 表示性感图片,neutral 表示中性图片。 status 字段表示本次判定的结果是否正常。status = 'normal' 表示正常;status = 'error'表示异常。 2. 还支持了http get 对网页图片进行判定，请求的格式为: http://www.huchengchun.com:8127/porn_classification?img_url=xxx 其中 xxx 是网络图片的地址，目前只支持以jpg 和png结尾的格式。比如如下的请求返回的结果 http: // www.huchengchun.com:8127/porn

#1. 前提: 安装前服务器情况,已经安装好了: CUDNN=7.3.0 CUDA=10.0.130 Opencv 2.4.13 相应命令为: cuda 版本 cat /usr/local/cuda/version.txt cudnn 版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 opencv版本 pkg-config opencv --modversion #2. 准备caffe, python环境 从 https://github.com/BVLC/caffe 下载caffe, 用unzip命令解压. python我使用的是Anaconda虚拟环境, 最后附上environment_caffe_27.yml文件, 如果需要可以直接使用下面的命令安装,或者手动安装. conda env create -f environment_caffe_27.yml environment_caffe_27.yml文件内容如下,复制重命名即可: name: caffe_27 channels: - defaults dependencies: - backports=1.0=py27_1 - backports.functools_lru_cache=1.5=py27_1 - backports.shutil

前言: 最近在学习深度学习，最先要解决的当然是开源框架的环境安装了。之前一直在学习谷歌的Tensorflow开源框架，最近实验中需要跟别人的算法比较，下载的别人的代码很多都是Caffe的，所以想着搭建好Caffe环境跑别人的代码。这中间经历过很多弯路，开始是入了Ubuntu16.04的坑，很多教程都说GCC版本不匹配，需要降级，我也尝试过发现很多坑；另外，就是安装matlab版本的Caffe以及安装GPU版本的Caffe，都经历了很多的波折，这前后摸索大概花了半个月左右。最后发现Ubuntu14.04最适合安装Caffe环境。 于是，我想着既然GPU版本或者matlab版本的Caffe环境配置很多坑，为什么不先从最简单的CPU+Python版本开始配置呢？到后面对Caffe框架熟悉了或者有需要用matcaffe的时候，再去摸索GPU或者matlab版本的Caffe配置。这就是我写本博客的初衷，先写个配置Caffe CPU ONLY版本的博客教程，希望初学者不再对caffe环境配置谈虎色变。话不多说，开始我们的教程吧！ 首先，说一下本教程适用的计算机系统环境，本人笔记本安装了Win7+Ubuntu14.04双系统。至于安装双系统，可以参考网上博客：https://www.jianshu.com/p/dfd9436956b9 我下载的Ubuntu14.04是Kyliin版本