在不同的服务器不同的机器上做过很多次实验，分别遇到各种不一样的错误并且跑通Py-Faster-RCNN，因此，在这里做一个流程的汇总：
一、下载文件：
首先，文件的下载可以有两种途径：
1、需要在官网上下载路径：https://github.com/rbgirshick/py-faster-rcnn
该方法的下载之后文件夹：py-faster-rcnn/caffe-fast-rcnn/下可能是空白：这个时候你是需要继续用命令行进行下载的
cd caffe-fast-rcnn
git submodule update --init --recursive
2、在Ubuntu下直接进行命令行的下载：（个人更推荐这一方法：比较稳定）
git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git
二、编译CAFFE：
1、下载完成后我们进入py-faster-rcnn//lib 文件下编译：
cd $FRCN_ROOT/lib
make
2、在py-faster-rcnn/caffe-fast-rcnn/文件路径下，下载Makefile.config文件：
链接网址：https://dl.dropboxusercontent.com/s/6joa55k64xo2h68/Makefile.config?dl=0
3、改变里面两个参数：（不改变的话后面的编译可以进行，但是跑到后面的demo 的时候会发现一大堆的头文件没有包含进来，如下图）
所以改变下面两个参数非常有必要：
# 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
4、编译caffe:
cd $FRCN_ROOT/caffe-fast-rcnn
make -j64
可能会出现错误，如下所示：
解决办法：进入自己根目录下原来的Caffe下面拷贝相应的文件进入caffe-fast-rcnn
1.将./include/caffe/util/cudnn.hpp 换成最新版的caffe里的cudnn的实现，即相应的cudnn.hpp.
2. 将./include/caffe/layers里的，所有以cudnn开头的文件，例如cudnn_conv_layer.hpp。 都替换成最新版的caffe里的相应的同名文件。
3.将./src/caffe/layer里的，所有以cudnn开头的文件，例如cudnn_lrn_layer.cu，cudnn_pooling_layer.cpp，cudnn_sigmoid_layer.cu。
都替换成最新版的caffe里的相应的同名文件。如下图所示：
继续上面工作：
编译成功！继续前面命令行的编译 ：
make pycaffe
编译正确：继续后面步骤；
三、下载训练好的模型：
1、命令行下载：
cd $FRCN_ROOT
./data/scripts/fetch_faster_rcnn_models.sh
2、从ImageNet训练来的Caffe models (ZF, VGG16) pre-trained 模型下载命令（在SCRIPTS文件下包含下载的脚本，如果遇到错误一定是服务器上FQ的问题）
./data/scripts/fetch_imagenet_models.sh3、 从VOC 2007训练来的Faster R-CNN models trained 模型下载命令（同上）
./data/scripts/fetch_faster_rcnn_models.sh
4、设置好以上下载之后，我们的./data目录下会出现需要的模型：
四、跑通demo.py文件：
上面已经编译好了caffe并且下载做好了训练好的模型何必要数据：我们现在可以开始跑demo了：
cd $FRCN_ROOT
./tools/demo.py
跑通之后我们可以看到自己预测的图片的目标框：
五、我们不局限于跑通demo.py，我们需要了解demo.py文件里面的原理：
首先我们来切割demo.py文件里面的功能块：无非是：def vis_detections( ) 、def demo( ) 、def parse_args()
先来看一张功能解析图：
我们可以看到：demo.py文件的主流是黄色箭头、def vis_detections( ) 是紫色箭头、def demo( ) 是浅蓝色箭头、def parse_args() 是红棕色箭头。
随着箭头的延伸我们越来越深入了解里面的函数转换：其中：scores代表分数；boxes代表目标框对角两个点四个坐标值；dets代表各个框坐标和分数组成的矩阵、inds超过阈值符合要求的窗口对应的下标。
六、具体代码内容解释：
Po出一些详细的解释的手稿：
