之前實驗室購買了NVIDIA-jetson-TX2系類的嵌入式開發板，就迫不及待的在上面配好了caffe 和py-faster rcnn。當時沒配散熱器，無法在上面訓練測試，只是跑了demo，demo跑起來還是很順暢的，基本沒修改程式碼，也沒有所謂的numpy版本問題。不知道具體在嵌入式環境下的準確率效果怎樣。今天買的散熱器到了，裝好後來訓練。

好，廢話不多說，先貼一張在nvidia jetson tx2上的demo效果圖和檢測時間：

檢測時間（使用的是作者提供的ZF模型）：

**************************************我是萌萌噠的分割線************************************

今天使用Faster RCNN訓練自己的資料的時候，出現了一些因為boost或者是numpy版本不相容導致的問題，經過各種查資料和求助大神，總算是順利把網路跑起來了。下面內容都是今天親測出現的問題並與其對應的解決方案，和大家一起分享，也便於我以後檢視。

訓練方法：在配置好Faster RCNN之後，準備好自己的資料，修改網路的配置檔案和相應的訓練指令碼滿，使用end to end 的訓練方法，在$py-faster-rcnn的根目錄下執行：./experiments/scripts/faster_rcnn_end2end.sh 0 ZF pascal_voc 。以下都是執行該指令碼後出現的問題。

 特別提醒：這裡推薦解決完一個問題後立馬執行測試，或許你沒有接下來的問題，不用修改程式碼。

下面的錯誤是在用自己的資料集的話容易出的錯誤，我用VOC2007訓練時候只出現了問題2，其他問題都沒有出現。

問題１

TypeError: slice indices must be integers or None or have an __index__ method

這裡還是因為numpy版本的原因，最好的解決辦法還是換numpy版本（我換numpy版本還是包這些錯，無效。使用如下方法）
修改 /home/lzx/py-faster-rcnn/lib/rpn/proposal_target_layer.py，轉到123行：

for ind in inds:
        cls = clss[ind]
        start = 4 * cls
        end = start + 4
        bbox_targets[ind, start:end] = bbox_target_data[ind, 1:]
        bbox_inside_weights[ind, start:end] = cfg.TRAIN.BBOX_INSIDE_WEIGHTS
    return bbox_targets, bbox_inside_weights

這裡的ind，start，end都是 numpy.int 型別，這種型別的資料不能作為索引，所以必須對其進行強制型別轉換，轉換成為int型別，轉化結果如下：

for ind in inds:
        ind = int(ind)
        cls = clss[ind]
        start = int(4 * cls)end = int(start + 4)bbox_targets[ind, start:end] = bbox_target_data[ind, 1:]
        bbox_inside_weights[ind, start:end] = cfg.TRAIN.BBOX_INSIDE_WEIGHTS
    return bbox_targets, bbox_inside_weights

以上內容是我剛剛在訓練自己的datasets時候出現的一些問題，參考了一些其他部落格的解決方法。

在這裡需要提醒的是，我重灌numpy，升級或者降級都無法解決問題，可以先按部落格修改，修改好了沒問題就不用改變numpy的版本。大部分還是因為Faster RCNN 釋出的時候使用的一些庫現在都升級了，所以需要對程式碼中一些細節進行修改。

問題２

AttributeError: 'module' object has no attribute ‘text_format'

解決方法：在/home/xxx/py-faster-rcnn/lib/fast_rcnn/train.py的標頭檔案匯入部分加上 ：import google.protobuf.text_format

問題３

TypeError: 'numpy.float64' object cannot be interpreted as an index 

修改的位置如下（xxx為你的使用者名稱）：這裡我的是nvidia

1) /home/nvidia/py-faster-rcnn/lib/roi_data_layer/minibatch.py

檢視第26行：fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image)
改為：fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image).astype(np.int)

2) /home/nvidia/py-faster-rcnn/lib/datasets/ds_utils.py

檢視第12行：hashes = np.round(boxes * scale).dot(v)
改為：hashes = np.round(boxes * scale).dot(v).astype(np.int)

3) /home/nvidia/py-faster-rcnn/lib/fast_rcnn/test.py

檢視第129行： hashes = np.round(blobs['rois'] * cfg.DEDUP_BOXES).dot(v)
改為： hashes = np.round(blobs['rois'] * cfg.DEDUP_BOXES).dot(v).astype(np.int)

4) /home/nvidia/py-faster-rcnn/lib/rpn/proposal_target_layer.py

檢視第60行：fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image)
改為：fg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image).astype(np.int)

最後再貼一張訓練時候的情況：

當然，速度很慢，實際訓練我也不是在這個上面訓練，實際用實驗室的伺服器進行訓練，在這裡只是來測試下網路的map等結果。

總結：很多部落格都說這裡是因為numpy版本不相容導致的問題，最好的解決辦法是解除安裝你的numpy，安裝numpy1.11.0。但是我實際使用發現，不管是pip升級/降級numpy還是先解除安裝完全後，再重新安裝，都會出現上面的問題。demo也跑不起來，而且報ImportError: No module named numpy.core.multiarray的錯誤，但實際上直接import的時候是通過的！！！！很坑爹，最後還是妥協了，不改變原來numpy的版本，而是改變程式碼中的內容。

如果想修改numpy的版本的話，可以執行：sudo pip install -U numpy==1.11.0，更換numpy的版本