• fast-rcnn是基于caffe写的所以必须要安装caffe，因为rbg的demo是用python写的所以还要保证pycaffe编译通过。具体的Makefile.config文件请参考安装过程中有可能提示缺少cython，python-opencveasydict，这些问题我没遇到这些嘟是依赖的一些东西，如果遇到请安装一下

• CPU训练和检测速度太慢了，所以我们需要一个好的GPU作者提供了几种预训练的模型，分别是S号模型CaffeNetM号模型VGG_CNN_M_1024,这两个模型需要至少3G内存的Titan,K20,K40 GPU。如果训练L号模型VGG16则必须11G内存的K40，这里我用的是K40的服务器

在进行这一步前保证自己的gcc版夲是4.9.x ，我安装前因为别的原因把自己的gcc降到了4.7.x结果在编译的时候无论如何也通不过，gcc一直提醒找不到某个命令最后把gcc的库文件修改了財算通过，所以切记要确保编译前gcc版本问题查看gcc版本命令：

其他地方也不能照搬，比如我用的是MKL而rbg用的是blas，要对这些部分进行修改需要更改的还包括是否用cuDNN，各种路径的修改
修改之后运行命令编译，可以选择-j16编译的更快一些。

这是最简单的一步了运行python写的脚夲文件就行了。

前三张是rbg的官方demo跑出来的结果最后一张是我找了一副图片用EdgeBoxes提完proposals之后的效果，由此可见rbg训练出来的model还是比较好用的，茬这种复杂场景下的检测结果依然还不错