前因项目所需，须训练一个快速模型以实现目标物体的实时检测。历经多次实践，发现MobileNetSSD网络符合要求，故在本人工作PC上部署weiliu89版本的ssd-caffe以期用之训练项目要求之模型。当时思之甚简，网络上相关文章多矣，此事应不成问题。然一番搜索后才发现，前人多在linux下进行，针对windows者寥寥，仅有几篇亦是使用的支持MS VS2013的conner99版本的ssd-caffe，与我的项目要求相去甚远（虽然可以将conner89版本的caffe工程从VS2013升级为VS2015，但升级后的效果很不好，编译有很多问题，CMake重新构建工程亦如此，不如干净的weiliu89版本）。虽然我的工作机器装有两个独立的OS：win10和ubuntu，完全可以在ubuntu下部署、训练模型，在windows环境下使用模型，如此亦可满足项目要求。但如此操作，须在两个OS中频繁切换，甚是繁琐，这对于有严重强迫症的我来说——如鲠在喉，无法忍受。于是，我决心解决windows下的部署问题。所幸，BVLC版本的caffe已经在win10下使用VS2015编译、部署成功（感谢BVLC-Caffe团队的卓越工作，使得该版本的caffe在windows平台下编译、部署如此简单），而weiliu89版本的caffe亦fork于此，源码基本相同，这使得此事有据可考，难度骤降。然躬行后方知，难度虽降，过程依旧曲折，历经打击无数，事方成。现在想来，不抛弃、不放弃——真真是说易行难。以下开始详述操作过程，备忘及有需者参考。

      开始编译之前，我们要先进行编译环境的准备工作（如果你已经成功编译BVLC版本的caffe，请略过），详细操作步骤如下：

1、安装CMake，这个不多说，官网有windows版本直接安装就行，下载地址：https://cmake.org/download/，我自己用的是3.11，更新的版本估计应该也没问题，下载后直接安装，一路Next即可；

2、下载boost，下载地址：https://sourceforge.net/projects/boost/files/boost-binaries/，可以找一个最新版本，我自己用的是1.61.0（boost_1_61_0-msvc-14.0-64.exe），下载成功后安装即可，对安装没什么特殊要求。在我的机器上，boost默认安装在了C:localboost_1_61_0下；

3、下载libraries_v140_x64_py35_1.1.0.tar.bz2，与上面的boost一样，这个是caffe需要的第三方支持库，下载地址：https://github.com/willyd/caffe-builder/releases，下载完成后解压到本地目录下，我自己借用的原先编译BVLC-Caffe遗留的库，所以没有再次下载、解压，我机器上的库路径为：C:Usersuser.caffedependencieslibraries_v140_x64_py35_1.1.0libraries，内容如下:

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

4、安装python35，注意一定是python35，不要安装更高的版本，caffe对这个版本支持最好，下载地址：https://www.python.org/ftp/python，随便选择一个3.5版本的python即可，我自己用的是python3.5.4（python-3.5.4-amd64.exe）。下载后安装，一路Next即可，注意安装时一定要选择“添加到系统路径”中，这样方便在控制台执行python，python3的缺省安装路径为C:UsersuserAppDataLocalProgramsPythonPython35；

5、可选步骤，编译安装最新的opencv，这个可以略过，因为下载的libraries_v140_x64_py35_1.1.0库已经包含了opencv3.1.0，如果你想用最新的opencv，那么就需要在这里部署好，我自己用的是opencv3.4.1，部署在了C:MVLThirdPartyLibopencvbuild路径下：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

6、将相关执行路径添加到系统的环境变量中，这一步非常关键，关系到configure以及pycaffe的正确加载：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

将如下路径添加到“系统变量”或“用户变量”（二选一，推荐“系统变量”）的“Path”中：

C:UsersuserAppDataLocalProgramsPythonPython35Scripts
C:UsersuserAppDataLocalProgramsPythonPython35
C:MVLThirdPartyLibopencvbuildx64vc14bin
C:localboost_1_61_0lib64-msvc-14.0
C:Usersuser.caffedependencieslibraries_v140_x64_py35_1.1.0librariesbin

7、编译时如果遇到找不到libboost_filesystem-vc140-mt-1_61.lib之类的文件，请到boost的安装目录下去找，找到后copy到libraries_v140_x64_py35_1.1.0库的lib文件夹下，切记！！！

如此，编译环境的准备工作完成。接下来就是获取ssd-caffe的源码（此处假设你已成功安装git）：

git clone https://github.com/weiliu89/caffe.git 

如果你想省事，忽略接下来修改部分代码的工作，或者说编译时你不想看到更多的错误的话，你也可以直接从我自己的github仓库中获取修改后的工程源码，该源码fork于weiliu89，增加了对MSVC++的支持：

git clone https://github.com/Neo-T/caffe.git

拜GFW所赐，请耐心等待，如果你有早起习惯，建议早上5-7点之间clone，最晚不要超过8点，此时速度会快很多（我clone的速度曾经达到500KB/S左右，过了这个时间段就成了十几、二十几KB/S了）。clone完成后，请在ssd-caffe的根目录下建立一个“build”目录，如下所示：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

接着打开CMake的GUI界面（cmake-gui），开始配置并生成ssd-caffe的VS2015工程的工作，首先选择刚才clone下来的ssd-caffe的工程路径（在我的机器上clone完成后，为了与BVLC版本有所区别，我把ssd-caffe的根目录名称caffe改成了ssd_caffe）：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

然后点选confgure，选择VS2015作为编译工具（如果你想用其它版本的VS，建议用高版本的，尽量别用低版本的，特别是VS2010以下的）：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

“Finish”确认选择，CMake会开始配置并给出初步的配置结果：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

令人头疼的“Error”以及后面的一大片红，果然没有什么奇迹，configure失败。点击“OK”，开始一步步消除错误：

1、设定宏观的配置选项，选择BLAS为Open版本，不开启GPU加速，python为3：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

设置好后，继续configure；

2、设定OpenBLAS的相关路径：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

之后，继续configure（到这一步，CMake界面虽然还是有一大片红，但不会再弹窗提示存在错误了，除非你的编译环境准备工作没有做好，下面的输出信息也会提示“Configuring done”，但到这里其实配置还没有结束，还得继续）；

3、设定gflags和glog的库路径，这一步非常重要，否则生成的工程会自动下载相关源码并编译，一旦如此，你会陷入无尽深渊，死在编译这两个工程上：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

4、设定生成pycaffe（训练模型之用），同时取消生成Dll动态库。因为生成Dll会对编译生成caffe.exe造成麻烦，虽然造成的麻烦可以解决，但操作起来比较繁琐，干脆就不生成了，反正内存和磁盘空间够大：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

至此，configure才算真正完成：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

此时，“Generate”按钮不再是灰色了，可以生成VS2015的工程了（对于configure过程中的“CMake Warning”之类的警告信息忽略即可）。点击“Generate”，生成VS2015工程，然后点击“Open Project”按钮，打开该工程，开始我们的编译之旅（真正头疼的时刻来到了）。

      首先，把解决方案的工程配置改为“Release x64”：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

然后，开始编译生成caffe。鼠标右键点选左侧的“caffe”，然后点击“生成”即可。注意，这里一定是要先生成caffe，千万别直接生成整个解决方案：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

大约几分钟后，编译完成，结果是成功两个，失败一个：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

还不错，看看都是什么错误，点击“输出”按钮右侧的“错误列表”，错误有52个：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

这些错误都是因为编译器的缘故造成的，需要调整代码和预编译宏，针对getpid错误，需要在common.cpp文件的头部增加如下几行代码：

#if defined(_MSC_VER)
#include <process.h>
#define getpid() _getpid()
#endif

如此就可以解决找不到getpid的问题了。关于““std::tuple”: 模板 参数“_Types”与声明不兼容”的错误，打开gtest.h文件就可以看出这个与gtest有关，是否使用google test自己的tr1 tuple实现：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

其实源文件已经针对MSVC作出了定义，“GTEST_USE_OWN_TR1_TUPLE”宏为0，意味着不使用google test，但在编辑窗口显示该宏为灰色，没有起作用。这是因为我们在生成工程时，CMake将其定义在了工程配置文件中。打开caffe工程的属性窗口，找到“C/C++”->“预处理器”->“预处理器定义”，点开下选单，选择“编辑”：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

删除“GTEST_USE_OWN_TR1_TUPLE”宏即可。接着，我们继续编译，依然错误很多：

使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)

鼠标左键双击第一条错误，定位打开发生错误的文件，将db_lmdb.cpp文件头部的代码调整如下（红色部分为新增加的代码）：



#ifdef USE_LMDB
#include "caffe/util/db_lmdb.hpp"




#if defined(_MSC_VER)
#include <direct.h>
#define mkdir(X, Y) _mkdir(X)
#endif




#include <sys/stat.h>




#include <string>


 




其中红色部分为新添加的代码。继续双击错误列表的第三条错误，同样在打开的文件中将代码修改如下：




switch (class_) {
case H5T_FLOAT:
　　{ LOG_FIRST_N(INFO, 1) << "Datatype class: H5T_FLOAT"; }
　　break;
case H5T_INTEGER:
　　{ LOG_FIRST_N(INFO, 1) << "Datatype class: H5T_INTEGER"; }
　　break;
case H5T_TIME:
　　LOG(FATAL) << "Unsupported datatype class: H5T_TIME";
case H5T_STRING:
……………………
}




其实就是在前两条case语句中增加两对“{}”而已，确保语句的完整性。改完存盘，继续编译，错误依旧：


使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)


现在错误发生的阵地转移到了io.cpp文件中，双击定位到具体位置，然后在文件头部增加如下代码：






#include <boost/algorithm/string/classification.hpp>
#include <boost/algorithm/string/split.hpp>
#include <boost/filesystem.hpp>
#include <boost/foreach.hpp>
#include <boost/property_tree/json_parser.hpp>
#include <boost/property_tree/ptree.hpp>
#include <boost/property_tree/xml_parser.hpp>
#include <fcntl.h>


#if defined(_MSC_VER)
#include <io.h>
#endif


#include <google/protobuf/io/coded_stream.h>
#include <google/protobuf/io/zero_copy_stream_impl.h>
#include <google/protobuf/text_format.h>


 




继续双击““SIGHUP”：未声明的标识符”错误，在打开的位置修改handle_signal()函数：




void handle_signal(int signal) {
    switch (signal) {
#ifdef _MSC_VER
    case SIGBREAK:  // there is no SIGHUP in windows, take SIGBREAK instead.
	got_sighup = true;
	break;
#else
    case SIGHUP:
	got_sighup = true;
	break;
#endif
    case SIGINT:
        got_sigint = true;
        break;
    }
  }




继续在该文件调整代码，下一个是HookupHandler()函数：




void HookupHandler() {
    if (already_hooked_up) {
      LOG(FATAL) << "Tried to hookup signal handlers more than once.";
    }
    already_hooked_up = true;

#ifdef _MSC_VER


    if (signal(SIGBREAK, handle_signal) == SIG_ERR) {
	LOG(FATAL) << "Cannot install SIGBREAK handler.";
    }
if (signal(SIGINT, handle_signal) == SIG_ERR) {
	LOG(FATAL) << "Cannot install SIGINT handler.";
    }
#else
    struct sigaction sa;
    // Setup the handler
    sa.sa_handler = &handle_signal;
    // Restart the system call, if at all possible
    sa.sa_flags = SA_RESTART;
    // Block every signal during the handler
    sigfillset(&sa.sa_mask);
    // Intercept SIGHUP and SIGINT
    if (sigaction(SIGHUP, &sa, NULL) == -1) {
	LOG(FATAL) << "Cannot install SIGHUP handler.";
    }
    if (sigaction(SIGINT, &sa, NULL) == -1) {
 	LOG(FATAL) << "Cannot install SIGINT handler.";
    }
#endif
  }




最后是UnhookHandler()函数：




// Set the signal handlers to the default.
  void UnhookHandler() {
    if (already_hooked_up) {
#ifdef _MSC_VER
	if (signal(SIGBREAK, SIG_DFL) == SIG_ERR) {
		LOG(FATAL) << "Cannot uninstall SIGBREAK handler.";
	}
	if (signal(SIGINT, SIG_DFL) == SIG_ERR) {
		LOG(FATAL) << "Cannot uninstall SIGINT handler.";
	}
#else
	struct sigaction sa;
	// Setup the sighub handler
	sa.sa_handler = SIG_DFL;
	// Restart the system call, if at all possible
	sa.sa_flags = SA_RESTART;
	// Block every signal during the handler
	sigfillset(&sa.sa_mask);
	// Intercept SIGHUP and SIGINT
	if (sigaction(SIGHUP, &sa, NULL) == -1) {
		LOG(FATAL) << "Cannot uninstall SIGHUP handler.";
	}
	if (sigaction(SIGINT, &sa, NULL) == -1) {
		LOG(FATAL) << "Cannot uninstall SIGINT handler.";
	}
#endif

      already_hooked_up = false;
    }
  }




继续编译，再也没有错误了，成功：


使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)


接着编译pycaffe，毫无例外的是，错误如幽灵般再次卷土重来：


LINK : fatal error LNK1104: 无法打开文件“libboost_date_time-vc140-mt-1_61.lib”


这显然是找不到库文件，我们将库文件的目录添加上就可以了。打开pycaffe的属性界面，然后在“VC++目录”->“库目录”，打开下选单，选择“编辑”，将第三方库的搜索路径添加进去，在这里就是：


C:Usersuser.caffedependencieslibraries_v140_x64_py35_1.1.0librarieslib


如果你部署的libraries_v140_x64_py35_1.1.0库的路径与我不一样，请调整成你自己的路径。


继续编译，上述错误消失，又产生了新的错误：


无法解析的外部符号 "__declspec(dllimport) struct _object * __cdecl boost::python::detail::init_module(struct PyModuleDef &,void (__cdecl*)(void))"


无法解析的外部符号 "__declspec(dllimport) public: __cdecl google::base::CheckOpMessageBuilder::CheckOpMessageBuilder(char const *)"


无法解析的外部符号 "__declspec(dllimport) public: __cdecl google::base::CheckOpMessageBuilder::~CheckOpMessageBuilder(void)"


……


这种错误是因为缺少第三方支持库导致的，我们只需将其引入即可，依然在pycaffe的属性界面，点选“链接器”->“输入”->“附加依赖项”，打开下选单，选择编辑，输入系统需要引入的第三方支持库的名称：


..libReleasecaffe.lib
..libReleaseproto.lib
glog.lib
gflags.lib
libprotobuf.lib
C:MVLThirdPartyLibopencvbuildx64vc14libopencv_world341.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a


其中opencv的路径需要根据自身情况调整，其它直接复制即可。继续编译，错误还剩下几个：


无法解析的外部符号 "__declspec(dllimport) struct _object * __cdecl boost::python::detail::init_module(struct PyModuleDef &,void (__cdecl*)(void))"


无法解析的外部符号 "class caffe::Solver<float> const volatile * __cdecl boost::get_pointer<class caffe::……)"


……


无法解析的外部符号 "__declspec(dllimport) void __cdecl google::InstallFailureSignalHandler(void)"


仔细分析，就剩下三个函数无法解析了，也就是说需要找到这三个函数的第三方库。关于第一个错误“init_module”，这个是因为python2和python3的类型不兼容导致的，而CMake将python2的库引入到了工程中，导致链接错误，我们只需将python库的名称改对就可以了。打开pycaffe的“附加依赖项”窗口，找到如下一句：


C:localboost_1_61_0lib64-msvc-14.0boost_python-vc140-mt-1_61.lib


将其修改为：


boost_python3-vc140-mt-1_61.lib


我们不使用boost提供的python2库，改用libraries_v140_x64_py35_1.1.0提供的python3库即可。


      关于第二个错误“get_pointer”，需要修改pycaffe工程下的_caffe.cpp文件，在其第40和42行之间增加如下代码：




#if defined(_MSC_VER) && (_MSC_FULL_VER >= 190024210)
// Workaround for VS 2015 Update 3 which breaks boost python
// See: http://stackoverflow.com/questions/38261530/unresolved-external-symbols-since-visual-studio-2015-update-3-boost-python-link
// and https://msdn.microsoft.com/vs-knownissues/vs2015-update3
#define BP_GET_POINTER(cls) 
namespace boost { 
template <> 
const volatile caffe::cls * 
get_pointer(const volatile caffe::cls *c) { 
    return c; 
} 
}

#define BP_GET_POINTER_T(cls, dtype) BP_GET_POINTER(cls<dtype>)

BP_GET_POINTER_T(Net, float);
BP_GET_POINTER_T(Layer, float);
BP_GET_POINTER_T(Solver, float);
BP_GET_POINTER_T(SGDSolver, float);
BP_GET_POINTER_T(NesterovSolver, float);
BP_GET_POINTER_T(AdaGradSolver, float);
BP_GET_POINTER_T(RMSPropSolver, float);
BP_GET_POINTER_T(AdaDeltaSolver, float);
BP_GET_POINTER_T(AdamSolver, float);

#endif




关于第三个错误“google::InstallFailureSignalHandler(void)”，在caffe工程下找到我们原先修改过的common.cpp文件，大约在该文件的48行左右找到GlobalInit()函数，将该函数修改如下：




void GlobalInit(int* pargc, char*** pargv) {
  // Google flags.
  ::gflags::ParseCommandLineFlags(pargc, pargv, true);
  // Google logging.
  ::google::InitGoogleLogging(*(pargv)[0]);
  // Provide a backtrace on segfault.




#if !defined(_MSC_VER) 
    ::google::InstallFailureSignalHandler(); 
#endif


}




修改完毕后，再一次编译caffe，然后再编译pycaffe，此时就可以顺利编译成功pycaffe了。不过，现在编译成功的pycaffe还不是完整版本，缺少必要的DNN网络模块，需要将我们用到的各层定义手动添加到pycaffe中，否则会报“Check failed: registry.count(t ype) == 1 (0 vs. 1) Unknown layer type: xxx(known types: xxx )”错误，继续修改_caffe.cpp文件，在这个文件的69和71行之间添加如下代码（红色部分）：




namespace bp = boost::python;



#include "caffe/layers/input_layer.hpp"
#include "caffe/layers/inner_product_layer.hpp"
#include "caffe/layers/dropout_layer.hpp"
#include "caffe/layers/conv_layer.hpp"
#include "caffe/layers/relu_layer.hpp"


#include "caffe/layers/pooling_layer.hpp"
#include "caffe/layers/lrn_layer.hpp"
#include "caffe/layers/softmax_layer.hpp"
#include "caffe/layers/permute_layer.hpp"
#include "caffe/layers/flatten_layer.hpp"
#include "caffe/layers/prior_box_layer.hpp"
#include "caffe/layers/concat_layer.hpp"
#include "caffe/layers/reshape_layer.hpp"
#include "caffe/layers/detection_output_layer.hpp"




接着在87行下面，也就是“namespace caffe {”下面添加各层定义语句：




extern INSTANTIATE_CLASS(InputLayer);
extern INSTANTIATE_CLASS(InnerProductLayer);
extern INSTANTIATE_CLASS(DropoutLayer);
extern INSTANTIATE_CLASS(MemoryDataLayer);
extern INSTANTIATE_CLASS(ConvolutionLayer);
REGISTER_LAYER_CLASS(Convolution);
extern INSTANTIATE_CLASS(ReLULayer);
REGISTER_LAYER_CLASS(ReLU);
extern INSTANTIATE_CLASS(PoolingLayer);
REGISTER_LAYER_CLASS(Pooling);
extern INSTANTIATE_CLASS(LRNLayer);
REGISTER_LAYER_CLASS(LRN);
extern INSTANTIATE_CLASS(SoftmaxLayer);
REGISTER_LAYER_CLASS(Softmax);
extern INSTANTIATE_CLASS(PermuteLayer);
extern INSTANTIATE_CLASS(FlattenLayer);
extern INSTANTIATE_CLASS(PriorBoxLayer);
extern INSTANTIATE_CLASS(ConcatLayer);
extern INSTANTIATE_CLASS(ReshapeLayer);
extern INSTANTIATE_CLASS(DetectionOutputLayer);




再次编译就可以了。以后如再遇到pycaffe报未知层类型之类的错误，继续在这里添加对应的层就行了。至此两个主要核心模块编译完成。接下来就是编译相关工具软件了。


      我们先编译tools，首先是caffe.bin工程，这个工程生成caffe.exe文件。与编译之前的两个工程相似，编译出现的错误主要集中在库文件上，所以我们把库的搜索目录和需要引入的库添加到caffe.bin中即可，库的搜索目录依然是：C:Usersuser.caffedependencieslibraries_v140_x64_py35_1.1.0librarieslib，要引入的库文件如下：


C:UsersuserAppDataLocalProgramsPythonPython35libspython35.lib
..libReleasecaffe.lib
..libReleaseproto.lib
C:MVLThirdPartyLibopencvbuildx64vc14libopencv_world341.lib
glog.lib
gflags.lib
libprotobuf.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a


编译，此时会报“输出文件名匹配输入文件名“D:caffebuildlibReleasecaffe.lib””错误，这也是这个版本的主要问题，不适合VS编译，编译caffe.exe需要caffe.lib，但中间的输出文件还是caffe.lib，编译器就会无所适从，所以我们需要手动调整这个地方，将引入的文件改为caffe_static.lib，同时修改实际生成的caffe.lib为caffe_static.lib，如下：


1、修改引入库“..libReleasecaffe.lib”名称为“..libReleasecaffe_static.lib”；


2、在ssd-caffe的buildlibRelease文件夹下找到caffe.lib文件，将其重命名为caffe_static.lib；


再次编译即可成功。最后，再到buildlibRelease文件夹下，删除掉新生成的caffe.lib，将原来的caffe_static.lib改成caffe.lib，以为后续工作之用。


      接着编译剩余tools，为了省事我们可以批量修改工程属性。鼠标左键点击最上面的“compute_image_mean”工程，然后按下键盘“Shift”键，同时鼠标左键点击最下面的“upgrade_solver_proto_text”工程，鼠标右键打开工程属性界面，添加库的搜索目录和需要引入的库文件。库的搜索路径与上同，需要引入的库文件如下：


ntdll.lib
C:UsersuserAppDataLocalProgramsPythonPython35libspython35.lib
..libReleasecaffe.lib
..libReleaseproto.lib
C:MVLThirdPartyLibopencvbuildx64vc14libopencv_world341.lib
glog.lib
gflags.lib
libprotobuf.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a
lmdb.lib
leveldb.lib
snappy.lib


添加完毕，编译即可。不出意外，应该能编译成功，除非路径不对或者漏了某个步骤。


      接下来，我们编译examples，同样是批量修改工程属性，添加库的搜索路径和引入的库名称，搜索路径同上，引入库的名称如下：


boost_filesystem-vc140-mt-1_61.lib
boost_system-vc140-mt-1_61.lib
ntdll.lib
C:UsersuserAppDataLocalProgramsPythonPython35libspython35.lib
..libReleasecaffe.lib
..libReleaseproto.lib
C:MVLThirdPartyLibopencvbuildx64vc14libopencv_world341.lib
glog.lib
gflags.lib
libprotobuf.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a
lmdb.lib
leveldb.lib
snappy.lib


不出意外，同样可以顺利编译成功。最后，我们可以INSTALL这些生成的文件了。鼠标右键点选工程左侧的“INSTALL”，点击“生成”，即可将所有生成的文件复制到build目录下的install文件夹，如下图所示：


使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)


由于训练模型需要用到pycaffe，所以我们好要测试一下pycaffe是否可用。有两种方案配置pycaffe，一种是在环境变量中添加“PYTHONPATH”，将pycaffe的路径（对于我来说就是D:workOpenCVssd_caffebuildinstallpython）添加进去；还有一种方式就是直接把buildinstallpython下的caffe文件夹copy到python安装目录下的Libsite-packages文件夹下。我使用的后者。前面说了，我的机器上已经部署了BVLC版本的pycaffe，那么要想正常使用ssd-caffe就必须解决两个版本并存的问题，我的解决方案就是修改pycaffe的包名称，其实就是pycaffe所在目录的目录名，我把ssd-caffe版本的pycaffe包名称改成了caffe_ssd，如下：


使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)


我们在复制buildinstallpython下的caffe文件夹时，把文件夹名称改成caffe_ssd后再复制过来就可以解决版本并存问题。上图中caffe即为BVLC版本的pycaffe。这样我们在导入时，以包名区分即可：


import caffe          #导入BVLC版本的caffe


import caffe_ssd   #导入weiliu89版本的caffe


在实际进行import之前，我们还需要做最后一步工作，将caffe_ssd下的_caffe.dll文件重命名为_caffe.pyd，如此才可正常import，导入结果如下：


使用vs2015编译、部署ssd-caffe(weiliu89版，CPU模式)


至此整个ssd-caffe的编译部署工作完成。


 


上述工作的最终源码请从如下地址获取：


https://github.com/Neo-T/caffe


 


附记——import pycaffe出现的常见错误解决方法：


1、ImportError: DLL load failed: 找不到指定的程序


这个错误是pycaffe在加载时无法找到编译时引入的第三方库对应的dll，两种方式解决这个问题，一种是直接copy相应的dll文件到_caffe.pyd所在的文件夹下；另外一种方式是将DLL所在的路径添加到系统环境变量中，由于我们在之前已经将其添加到环境变量中了，因此，正常情况下你不会遇到此问题。如果实在不知道要copy哪个文件，请到如下地址下载一个能够查看dll依赖的工具“Dependency Walker”：


http://www.dependencywalker.com/


选择下载“Download Version 2.2.6000 for x64 [468k]”即可。用该工具打开_caffe.pyd，出现叹号的是找不到依赖DLL的，直接复制或将其所在路径加入系统环境变量即可。


2、ImportError: DLL load failed: 找不到指定的模块


这个错误还是因为python2和python3不兼容的问题，系统加载_caffe.pyd时使用的应该是“boost_python3-vc140-mt-1_61.dll”，如果在指定的搜索路径下找不到它就会报这个错误，所以我们只需将其添加到搜索路径中就可以了。


3、TypeError: Couldn't build proto file into descriptor pool!


这个错误很吓人，输出的信息会占满整个屏幕，然后在错误信息的下方你会找到上述错误语句。这个错误是因为你的机器安装的protobuf版本不匹配导致的（如果你是pip自动安装，一般安装的都是最新的稳定版本），我们需要卸载已经安装的protobuf版本，然后指定一个比较老的版本即可：


pip uninstall protobuf


我的机器安装的就是3.6.1版本，这个版本就不能很好的适配ssd-caffe，所以我指定安装了3.3版本：


pip install protobuf==3.3.0


再次import pycaffe，世界终于清净了。