caffe学习系列：训练自己的图片集（超详细教程）

学习的caffe的目的，不是简单的做几个练习，而是最终落实到自己的项目或科研中去。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试的整个流程。

一、数据的准备

有条件的同学，可以去ImageNet的官网点击打开链接，下载ImageNet图片来训练。但是我没有下载，因为我注册过程中一直出现bug。

也可以去这个网盘（点击打开链接）下载图像数据，包括手写数字.jpg，手写数字.csv，人脸检测正负样本224*224，image.zip，.CASIA-WebFace.zip

我重新找了500张图片来代替，分为大巴车、恐龙、大象、鲜花和马五个类，每个类100张。需要的同学，可以去这个网盘下载点击打开链接。

编号分别以3，4，5，6，7开头，各为一类。我从其中每类选出20张作为测试，其余80张作为训练。因此最终训练图片400张，测试图片100张，共5类。我将图片放在caffe-master根目录下的data文件下。即训练图片目录：data/re/train/，测试图片目录：data/re/test/

二、转换为lmdb格式

首先在examples下面创建一个myfile的文件夹，来用存放配置文件和脚本文件。然后编写一个脚本create_filelist.sh，用来生成train.txt和test.txt清单文件

#sudo mkdir examples/myfile

#sudo vi examples/myfile/create_filelist.sh

编辑create_filelist.sh文件，并写入如下代码，并保存

#!/usr/bin/env sh
DATA=data/re/
MY=examples/myfile

echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 3 4 5 6 7
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"

注：这个脚本文件中，用到了rm,find,cut,sed,cat等linux命令

rm：删除文件

find：寻找文件

cut ：截取路径

sed：在每行的最后面加上标注。本例中将找到的“i*.jpg”文件加入标注为i，比如“3*.jpg”标注为3

cat：将两个类别合并在一个文件里。

然后，运行此脚本

#sudo sh examples/myfile/create_filelist.sh

成功的话，就会在examples/myfile/文件下生成train.txt和test.txt两个文本文件，里面就是图片的列表清单

打开train.txt可以看到如下内容，同样test.txt文件里面的内容也是如此，二者仅数量不同。

注：在此处，我们手动的通过查找替换功能，将train.txt文件和test.txt文件里面的图片编号依次由3,4,5，6,7改为0,1,2,3,4。之所以要改编号的原因是，编号从3~7会影响训练精度。修改完后，train.txt内容如下图所示

;

由于上述生成的train.txt文件和test.txt文件是加权限文件，因此需要修改权限，以方面修改。Linux命令为：chmod a+w examples/myfile/train.txt

接着再编写一个脚本文件，调用convert_imageset命令来转换数据格式

#sudo vi examples/myfile/create_lmdb.sh

插入：

#!/usr/bin/env sh
MY=examples/myfile

echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/xxx/caffe/data/re/ \
$MY/train.txt \
$MY/img_train_lmdb

echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/xxx/caffe/data/re/ \
$MY/test.txt \
$MY/img_test_lmdb

echo "All Done.."

注：代码中的shuffle为，打乱图片顺序。/home/xxx/caffe/data/re为下载的图像数据保存的绝对路径。

最后，运行这个脚本

#sudo sh examples/myfile/create_lmdb.sh

因为图片大小不一，因此统一转换成256*256大小。运行成功后，会在examples/myfile下面生成两个img_test_lmdb和img_train_lmdb，分别用于保存图片转换后的lmdb文件。

三、计算均值并保存

图片减去均值再训练，会提高训练速度和精度。因此，一般都会有这个操作。

caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了

#sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto

compute_image_mean带两个参数，第一个参数时lmdb训练数据位置，第二个参数设定均值文件的名字及保存路径。

运行成功后，如下图所示

四、创建模型并编写配置文件

模型就用程序自带的caffenet模型，位置在models/bvlc_reference_caffenet/文件夹下，将需要的两个配置文件，复制到myfile文件夹内

#sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/

#sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

修改其中的solver.prototxt

#sudo vi examples/myfile/solver.prototxt

输入以下内容：

net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU

注：电脑没有GPU的同学，solver_mode:CPU

100个测试数据，batch_size为50，因此test_iter设置为2，就能全覆盖了。在训练过程中，调整学习率，逐步变小。

修改train_val.prototxt,只需要修改两个阶段的data层就可以了，其他可以不用管。

name: "CaffeNet"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 227
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_train_lmdb"
batch_size: 256
backend: LMDB
}
}
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 227
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_test_lmdb"
batch_size: 50
backend: LMDB
}
}

实际上就是修改两个data layer的mean_file和source这两个地方，其他都没有变化。

五、训练

如果前面都没有问题，数据准备好了，配置文件也配置好了，这一步就比较简单了。

#sudo build/tools/caffe train -solver examples/myfile/solver.prototxt

运行时间和最后的精度，会根据机器配置，参数设置的不同而不同。我的机器运行500次，大约15分钟左右，精度为95%。如下图所示：

注：运行时，可能会出现以下问题

原因：由图可以看出，出现问题的上面一行提示loading mean file from:data/ilsvrc12/imagenet_mean.binaryproto，说明载入均值文件时，路径出现问题。

解决方法：因为训练时，我们用到两个脚本文件solver.prototxt和train_val.prototxt文件。所以首先，我们查看solver.prototxt文件，看看第一句net:"examples/myfile/train_val.prototxt"里面的地址对不对（本文的问题就出在这里，it works after fixed.）.如果还没有解决，继续查看train_val.prototxt文件里面的data路径，建议都写成绝对路径。毕竟caffe里面大部分问题都是由路径不对引起的。

该类问题还可以参考以下博客解决http://blog.csdn.net/dongfang1984/article/details/53259297

希望本博客可以解决大家的相关问题。

caffe学习系列：训练自己的图片集（超详细教程）相关推荐

深度学习图像标签标注软件labelme超详细教程
文章目录前言一.labelme是什么? 二.快速安装使用 1.windows安装 2.linux安装 3.macos安装安装成功的哑子三.界面说明四.为图像创建类标签 4.1 参数介绍 4. ...
Caffe学习系列(23)：如何将别人训练好的model用到自己的数据上
caffe团队用imagenet图片进行训练,迭代30多万次,训练出来一个model.这个model将图片分为1000类,应该是目前为止最好的图片分类model了. 假设我现在有一些自己的图片想进行分 ...
Caffe学习系列(12)：训练和测试自己的图片
学习caffe的目的,不是简单的做几个练习,最终还是要用到自己的实际项目或科研中.因此,本文介绍一下,从自己的原始图片到lmdb数据,再到训练和测试模型的整个流程. 一.准备数据有条件的同学,可以去 ...
【12】Caffe学习系列：训练和测试自己的图片
一.准备数据有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载imagenet图片来训练.验证码始终出不来需要翻墙(是g ...
Caffe学习系列(8)：solver优化方法
Caffe学习系列(8):solver优化方法上文提到,到目前为止,caffe总共提供了六种优化方法: Stochastic Gradient Descent (type: "SGD&qu ...
Caffe学习系列(22)：caffe图形化操作工具digits运行实例
上接:Caffe学习系列(21):caffe图形化操作工具digits的安装与运行经过前面的操作,我们就把数据准备好了. 一.训练一个model 右击右边Models模块的" Images ...
Caffe学习系列(21)：caffe图形化操作工具digits的安装与运行
经过前面一系列的学习,我们基本上学会了如何在linux下运行caffe程序,也学会了如何用python接口进行数据及参数的可视化. 如果还没有学会的,请自行细细阅读: caffe学习系列:http:/ ...
Caffe学习系列(19): 绘制loss和accuracy曲线
转载自: Caffe学习系列(19): 绘制loss和accuracy曲线 - denny402 - 博客园 http://www.cnblogs.com/denny402/p/5110204.htm ...
Caffe学习系列(17)：模型各层特征和过滤器可视化
转载自: Caffe学习系列(17):模型各层特征和过滤器可视化 - denny402 - 博客园 http://www.cnblogs.com/denny402/p/5105911.html cif ...
Caffe学习系列(16)：各层权值参数可视化
原文有更新: Caffe学习系列(16):各层权值参数可视化 - denny402 - 博客园 http://www.cnblogs.com/denny402/p/5103425.html 通过前面的 ...

caffe学习系列：训练自己的图片集（超详细教程）

caffe学习系列：训练自己的图片集（超详细教程）相关推荐

最新文章

热门文章