faster-rcnn是MSRA在物體檢測最新的研究成果，該研究成果基於RCNN，fast rcnn以及SPPnet，對之前目標檢測方法進行改進，faster-rcnn項目地址。
首先，faster rcnn所使用的caffe版本並不是官方caffe，是Shaoqing Ren自己在官方版本上實現的一個caffe，具體下載地址為：caffe-faster-rcnn地址
另外，在配置caffe時，可以直接把自己已配置成功的makefile.config文件拷貝過去。
由於該版本caffe相對最新的caffe比較舊，因此如果使用opencv 3.0以上版本，需要對Makefile進行修改（實現對OpenCV 3.x的支持）
查找“Derive include and lib directories”一節，修改“LIBRARIES +=”的最后一行，增加opencv_imgcodecs
opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs
保存，退出。
在此基礎之上，需要對原本編譯成功的caffe的makefile.config文件進行修改，rbg給出了makefile.config修改參考地址：Makefile.config
如果出現錯誤：
Building with 'g++'. /home/agruzdev/git/faster_rcnn/external/caffe/matlab/+caffe/private/caffe_.cpp:19:28: fatal error: gpu/mxGPUArray.h: No such file or directory compilation terminated.
解決地址：解決方案
在Makefile.config文件中加入：
MATLAB_INCLUDE := -I$(MATLAB_DIR)/toolbox/distcomp/gpu/extern/include MATLAB_LIBS := -lmwgpu
提示錯誤：
Invalid MEX-file caffe_.mexa64': libcudart.so.7.5: cannot open shared object file: No such file or directory
解決方案：
LD_LIBRARY_PATH路徑未配置
sudo gedit ~/.bashrc
在文本最后加入：
export LD_LIBRARY_PATH=/usr/local/cuda-7.0/lib64:/usr/local/lib:$LD_LIBRARY_PATH
對應自己的cuda路徑位置
注：每次需要在新機器上部署fater-rcnn代碼時候，最好的方法就是把對應的caffe-fater-rcnn版本重新放在external下面，保留原有的Makefile.config文件，
這樣可以最快的部署好faster- rcnn平台。
錯誤：
[libprotobuf ERROR google/protobuf/descriptor_database.cc:57] File already exists in database: caffe.proto [libprotobuf FATAL google/protobuf/descriptor.cc:1018] CHECK failed: generated_database_->Add(encoded_file_descriptor, size): Killed
解決方法：
最好方法是重啟matlab
安裝2：
在有多個項目需要使用多個data時，最好將所有需要用的數據都存放在datasets文件夾下，使用ln -s srcpath dstpath來構建軟鏈接到項目中，這樣一次構建就可以永久使用，也不用考慮后續的其它問題。
構建軟鏈接的命令為：
ln -s srcpath dstpath
在使用faster-rcnn時候，如果因為服務器的遷移帶來的問題，那么需要將bin文件夾下生成的mex文件進行刪除，使用faster_rcnn_build命令來重新生成，具體的操作細節同faster-rcnn的github主頁上readme相同。
注意：faster-rcnn中使用的caffe版本較低，不支持cudnn-v4，因此如果要在Makefile.config文件中打開CUDNN加速，那么安裝的cudnn版本應該低於v4（v2或者v3：沒試過）
---------------------------------------------------- 2016.05.09更新 --------------------------------------------------
Faster RCNN主要有兩部分組成：
Region porposal Network（獲取region candidate）
Detection（Fast RCNN）
由於rpn網絡是一個0（non-region） vs 1 (region)網絡，所以一般情況下不用使用自己的數據集進行finetuning，直接使用已經訓練好的rpn_ZF.caffemodel獲取對應圖像的region proposal即可。當然也可以使用自己的數據集對該網絡進行finetuning。
RPN網絡的另外一種region 提取方法：
DeepBox
deepproposal
deepmask
但是在一般應用中需要根據自己的實際情況對detection網絡，即Fast RCNN網絡進行finetuning。這里要講的是如何使用自己的數據集對Fast RCNN網絡進行finetuning。在已有訓練好的網絡caffemodel前提下，從頭訓練一個網絡是非常費時也是費人的。我就是經歷了這樣一個痛苦的過程，才走回正道。在做一個事情之前需要認證想清楚自己的目標是什么，不要盲目的做，到頭來浪費時間，耽誤研究進程。
如何使用自己的數據集finetuning FastRCNN，網上已經給出了很多參考教程：
Train a fast-rcnn CovNet on another dataset
Train Fast-RCNN on Another Dataset
Test Fast-RCNN on Another Dataset
how to use py-faster-rcnn to do 4 classes training instead of 20 classes?
Training Faster RCNN on Imagenet
How to train fast rcnn on imagenet
以及將ResNet應用於Fast RCNN中進行檢測：
ResNet Implementation for Faster-rcnn
上述進行Fast RCNN finetuning都是基於fast rcnn python版本進行。由於本人使用的是Ren Shaoqing提供的matlab版本，所以需要在matlab下面進行finetuning。
在$FRCNN/experiments/ZF_for_Fast_RCNN_VOC0712文件中，在給定train.mat（bbox：region candidate，images： image_path）條件下使用數據集進行finetuning。
操作步驟：
1.$FRCNN/+Dataset/文件夾下添加自己的數據集對應文件；
2.使用selective search 或者上面提到的已經訓練好的RPN網絡來獲取bbox，將其存成train.mat形式（具體形式見網上selective_search_data.mat)；
3.修改solver.prototxt文件以及train_val.prototxt 和 test.protxt文件中對應的cls 和 bbox數值，以及對應的layer_name;
4. 修改fast_rcnn_train.m文件中snapshot函數中
bbox_pred_layer_name = 'bbox_pred_vid';
為自己定義的layer:name(bbox_pred_vid)。
5. 修改fast_rcnn_im_detect.m文件中
scores = caffe_net.blobs('cls_score_vid').get_data();
為自己定義的layer:name(cls_score_vid)。
6.修改imdb_eval函數
最后就可以按照ZF_for_Fast_RCNN_VOC0712仿寫自己的訓練程序。
2017.05.16更新 py-faster-rcnn
Nvidia cuda版本已經更新至8.0，因此在使用py-faster-rcnn的時候需要支持cuda8.0，而原始的faster python版本代碼並不支持cuda8.0，所以需要將其中的caffe代碼進行更新。
更新代碼方式見：py-faster-rcnn support 1080P and cudnn v5?