在不同的伺服器不同的機器上做過很多次實驗，分別遇到各種不一樣的錯誤並且跑通Py-Faster-RCNN，因此，在這裡做一個流程的彙總：

一、下載檔案：

首先，檔案的下載可以有兩種途徑：

該方法的下載之後資料夾：py-faster-rcnn/caffe-fast-rcnn/下可能是空白：這個時候你是需要繼續用命令列進行下載的

cd caffe-fast-rcnn

git submodule update --init --recursive

2、在Ubuntu下直接進行命令列的下載：（個人更推薦這一方法：比較穩定）

  git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git

二、編譯CAFFE：

1、下載完成後我們進入py-faster-rcnn//lib 檔案下編譯：

cd$FRCN_ROOT/lib
make

連結網址：https://dl.dropboxusercontent.com/s/6joa55k64xo2h68/Makefile.config?dl=0

3、改變裡面兩個引數：（不改變的話後面的編譯可以進行，但是跑到後面的demo 的時候會發現一大堆的標頭檔案沒有包含進來，如下圖）

所以改變下面兩個引數非常有必要：

# In your Makefile.config, make sure to have this line uncommented
 

WITH_PYTHON_LAYER := 1
# Unrelatedly, it's also recommended that you use CUDNN
USE_CUDNN := 1

cd $FRCN_ROOT/caffe-fast-rcnn

make -j64

可能會出現錯誤，如下所示：

解決辦法：進入自己根目錄下原來的Caffe下面拷貝相應的檔案進入caffe-fast-rcnn

1.將./include/caffe/util/cudnn.hpp 換成最新版的caffe裡的cudnn的實現，即相應的cudnn.hpp.

2. 將./include/caffe/layers裡的，所有以cudnn開頭的檔案，例如cudnn_conv_layer.hpp。   都替換成最新版的caffe裡的相應的同名檔案。

3.將./src/caffe/layer裡的，所有以cudnn開頭的檔案，例如cudnn_lrn_layer.cu，cudnn_pooling_layer.cpp，cudnn_sigmoid_layer.cu。

   都替換成最新版的caffe裡的相應的同名檔案。如下圖所示：

繼續上面工作：

編譯成功！繼續前面命令列的編譯 ：

make pycaffe

編譯正確：繼續後面步驟；

三、下載訓練好的模型：

1、命令列下載：

cd $FRCN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh

./data/scripts/fetch_imagenet_models.sh

./data/scripts/fetch_faster_rcnn_models.sh

4、設定好以上下載之後，我們的./data目錄下會出現需要的模型：

四、跑通demo.py檔案：

上面已經編譯好了caffe並且下載做好了訓練好的模型何必要資料：我們現在可以開始跑demo了：

cd $FRCN_ROOT
./tools/demo.py

五、我們不侷限於跑通demo.py，我們需要了解demo.py檔案裡面的原理：

首先我們來切割demo.py檔案裡面的功能塊：無非是：def vis_detections( ) 、def demo( ) 、def parse_args() 

         先來看一張功能解析圖：

我們可以看到：demo.py檔案的主流是黃色箭頭、def vis_detections( ) 是紫色箭頭、def demo( ) 是淺藍色箭頭、def parse_args() 是紅棕色箭頭。

隨著箭頭的延伸我們越來越深入瞭解裡面的函式轉換：其中：scores代表分數；boxes代表目標框對角兩個點四個座標值；dets代表各個框座標和分陣列成的矩陣、inds超過閾值符合要求的視窗對應的下標。

六、具體程式碼內容解釋：

Po出一些詳細的解釋的手稿：