說實話，費了很大的勁，在調試的過程中，遇到了很多的問題；
幸運的是，最終還是解決了問題；
這是一篇關於在Windows下Faster R-CNN的MATLAB源碼（該項目已不再維護）調試的筆記，目前只在CPU上Testing通過；
GPU版本見：Widows下Faster R-CNN的MATALB配置（GPU）
由於機器配置的原因，沒有涉及到Faster R-CNN的Training問題；
另外，機器的軟硬件是一個不小的問題，由於使用的Microsoft提供的caffe（該項目已不再維護），該項目使用VS2013、CUDA7.5，由於本文不使用GPU測試及訓練，因此不關注CUDA版本；至於VS，之前安裝過VS2015，遇到了一些問題，因此為了能夠快速的對Faster R-CNN源碼的測試，這里不建議使用VS2015；（當然了，使用VS2015也可能會得到想要的結果，但是相對來說，使用VS2013更容易些）
環境配置：
Windows 10
VS 2013
MATLAB 2018a
這里再補充一點，有些博主建議說先安裝VS再安裝MATLAB，防止MATLAB找不到VS的C/C++編譯器；由於本人之前就已經安裝過MATLAB，后來才安裝的VS2013，幸運的是，關於找不到C編譯器的這個問題，沒有遇到；
對了，這里做一個整體的概括，我們想要執行Faster R-CNN的MATLAB源碼完成Testing；大致可分為三個步驟：
- 准備工作；下載一些文件；
- 使用VS2013對Caffe編譯；（這一塊將會占用很大一部分時間）
- 測試Faster R-CNN的MATLAB源碼；
說實話，里面有很多小細節，一招不慎，就會error；
下面也將分成三大部分進行介紹；
1. 准備工作
1.1 Faster R-CNN的MATLAB源碼
下載faster_rcnn的matlab源碼：下載地址；
得到./faster_rcnn文件夾；
打開matlab，定位到./faster_rnn/，目錄結構如下圖所示；
部分文件夾介紹：
experiment/：主要是用於testing/training的腳本；
external/：主要存放成功編譯的提供matlab接口的caffe；（后面將花費很多時間在這個上面）
fetch_data/：作者提供的一些用於下載的腳本文件；
其中的都是一些依賴方法，大家可以去看一下；
補充說明：
- 有關external/存放的是編譯好的提供matlab接口的caffe，后續我們將使用VS進行編譯，並將編譯好的caffe放進其中；
- 有關fetch_data/中有一個腳本文件
fetch_caffe_mex_windows_vs2013_cuda65.m用於下載作者提供的編譯好的caffe，因為我們需要重新編譯，所以並不會使用它；
1.2 Microsoft-Caffe
下載Microsoft提供的caffe：下載地址；
解壓得到./caffe文件夾；
目前，我們得到兩個文件夾；
1.3 matlab指定C/C++編譯器
打開matlab，執行：
mex -setup
選擇 Microsoft Visual C++ 2013 (C) 進行C語言編譯，如下圖：
2. VS2013編譯Caffe
2.1 CommonSettings.props
打開./caffe/windows/，找到CommonSettings.props.example文件，復制后，將名稱改為CommonSettings.props，如下圖：
使用notepad打開CommonSettings.props，修改下面內容：
第7行： <CpuOnlyBuild>false</CpuOnlyBuild> 修改成：<CpuOnlyBuild>true</CpuOnlyBuild>
第8行： <UseCuDNN>true</UseCuDNN> 修改成： <UseCuDNN>false</UseCuDNN>
第16行： <MatlabSupport>false</MatlabSupport> 修改成： <MatlabSupport>true</MatlabSupport>
上述三處修改分別表示，僅僅使用CPU、不使用CudNN、使用MATLAB；
繼續修改：
第53行： <MatlabDir>C:\Program Files\MATLAB\R2014b</MatlabDir> 修改成：<MatlabDir>F:\software\Matlab 2018a</MatlabDir>
第55行： <IncludePath>$(MatlabDir)\extern\include;$(IncludePath)</IncludePath> 修改成：<IncludePath>$(MatlabDir)\extern\include;$(MatlabDir)\toolbox\distcomp\gpu\extern\include;$(IncludePath)</IncludePath>
上述第一處修改指定MATLAB安裝位置；第二處修改，添加文件mxGPUArray.h，否則后續會報錯；
2.2 項目-屬性配置
修改完成，使用VS2013打開./caffe/windows/Caffe.sln，雙擊即可；
打開之后，將Debug模式調成Release模式；（在調試的過程中，可能會重新加載項目，注意需要調整成Release）
之后，
libcaffe項目右鍵—> 屬性—>配置屬性—> C/C++ —> 常規，將將警告視為錯誤修改為否；否則編譯libcaffe時會報下面的錯誤；
提示出現：error C2220:...，表示alt_sstream_impl.hpp文件編碼格式錯誤；解決方法是：雙擊錯誤信息，彈出錯誤提示信息，確定后打開一個alt_sstream_impl.hpp文件，然后Ctrl+S進行保存即可；
2.3 添加roi_pooling_layer.cpp
打開解決方案資源管理器，找到libcaffe/cu/layers/右鍵—》添加—》現有項，在./caffe/src/caffe/layers/中找到roi_pooling_layers.cpp文件，進行添加，如下圖；
添加成功后，可以看到libcaffe/cu/layers/下有roi_pooling_layers.cpp文件；
2.4 編譯libcaffe
選中項目libcaff，右鍵—> 重新生成；
首先會自動還原NuGet包，然后生成成功；
補充說明：
在選擇重新生成后，會自動還原NuGet包；
需要還原哪些NuGet包，都在
ibcaffe/packages.config中定義，如下圖所示；其中有些包的名稱為vc120表示適用於VS2013；而VS2015的話，對應名稱則為vc140；之前安裝過VS2015，在這里遇到問題了，因為有些包在NuGet網站上就沒有對應於vc140的，只有vc120的；
2. 5 編譯matcaffe
如果上面幸運的話，沒出什么錯，那這里也不會遇到什么麻煩了；
類似重新生成libcaffe，以同樣的方式，選擇matcaffe，右鍵—> 生成；
到目前為止，我們已經有了三個文件夾，如下圖所示：
./caffe/：表示microsoft提供的caffe；./faster_rcnn/：表示faster r-cnn的matlab源碼；./NugetPackages/：就是在編譯libcaffe時還原出來的NuGet包；- 另外，
./caffe/Build/x64/Release/下就是得到caffe；
其中，./caffe/Build/文件夾就是編譯caffe得到文件；
如果在./caffe/Build/x64/Release/matcaffe+caffe/private/文件夾下，有caffe_.mexw64文件表明caffe的matlab接口編譯正確；
2.6 在matlab中使用caffe
在對Faster R-CNN的源碼測試之前呢，先說明一下如何在matlab中使用編譯好的caffe；
參考其他博客中，最常見的做法是：
- 首先，將./caffe/Build/x64/Release添加到系統變量的path中；
- 然后，將./ccaffe/Build/x64/Release/matcaffe添加到matlab的搜索路徑中；
- 最后，打開matlab，在命令行中使用
caffe.reset_all()進行測試是否成功；
電腦重啟、maltab重啟都試過了，然而我的卻是總是錯誤：
未定義變量 "caffe" 或類 "caffe.reset_all"。
怎么解決的呢？最后對比./caffe/matlab/+caffe/與./caffe/Build/x64/Release/matcaffe/+caffe/這兩個文件夾才發現了端倪，如下圖所示；
發現在多了一些.m文件，而且注意到reset_all.m這個文件在其中，有沒有很熟悉；
其實命令caffe.reset_all()中的caffe指的就是這里的文件夾+caffe，.reset_all()就是調用的這個reset_all.m這個腳本文件；
而在編譯之后，+caffe這個文件夾是沒有reset_all()這個方法的；
因此，在設置系統變量path以及添加matlab搜索路徑之后，將缺失的這些方法都拷貝到編譯成功的./caffe/Build/x64/Release/matcaffe/+caffe/文件夾中；
這時候，再執行caffe.reset_all()就不會報錯了；
輸出結果如下：
Cleared 0 solvers and 0 stand-alone nets
那么接下來就開始執行faster r-cnn的源碼測試了；
3. Faster R-CNN的MATLAB源碼測試
在此之前，我們已經將Faster R-CNN的源碼已經下載了，那么就根據作者提供的README.md來一步步的執行；
3.1 Preparation for Testing
- Run
fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.mto download a compiled Caffe mex (for Windows only).- Run
faster_rcnn_build.m- Run
startup.m
其中，
-
第0步：表示下載作者提供的編譯好的caffe，因為我們已經編譯好了，這里不需要執行；
-
第1步：執行
faster_rcnn_build.m；如下圖所示，會報錯，沒關系，因為我們使用的是CPU；
-
第2步：執行
start_up.m，會出現下面錯誤；這是因為，我們沒有將編譯好的caffe放在
./external/caffe/文件夾下；因此，根據錯誤提示，需要在
./external/caffe/文件夾下新建一個空白名為matlab的文件夾；然后，再執行
start_up.m，就不會報錯了；
3.2 Testing Demo
- Run
fetch_data/fetch_faster_rcnn_final_model.mto download our trained models.- Run
experiments/script_faster_rcnn_demo.mto test a single demo image.
其中，
-
第0步：下載作者提供的訓練好的模型文件；
其中下載鏈接好像需要翻牆，如果有需要的話，可以從這里下載：下載地址，提取碼：62n6；
下載完成后，解壓到./faster_rcnn/中，覆蓋原來的./faster_rcnn/output/文件夾，以及多出了五張圖片；
-
第1步：執行腳本文件
experiments/script_faster_rcnn_demo.m，測試；進行如下圖所示修改：
第一、二處指定使用CPU進行計算；
第二處，由於VGG-16網絡有些大，我的筆記本扛不住，因此使用ZF-Net網絡；
最后的結果，如下圖所示：
3.3 Training
目前這個筆記本還做不了。。。