學(xué)習(xí)caffe的目的，不是簡單的做幾個練習(xí)，最終還是要用到自己的實際項目或科研中。因此，本文介紹一下，從自己的原始圖片到lmdb數(shù)據(jù)，再到訓(xùn)練和測試模型的整個流程。

一、準(zhǔn)備數(shù)據(jù)

有條件的同學(xué)，可以去imagenet的官網(wǎng)http://www.image-net.org/download-images，下載imagenet圖片來訓(xùn)練。但是我沒有下載，一個原因是注冊賬號的時候，驗證碼始終出不來（聽說是google網(wǎng)站的驗證碼，而我是上不了google的）。第二個原因是數(shù)據(jù)太大了。。。

我去網(wǎng)上找了一些其它的圖片來代替，共有500張圖片，分為大巴車、恐龍、大象、鮮花和馬五個類，每個類100張。需要的同學(xué)，可到我的網(wǎng)盤下載：http://pan.baidu.com/s/1nuqlTnN

編號分別以3，4，5，6，7開頭，各為一類。我從其中每類選出20張作為測試，其余80張作為訓(xùn)練。因此最終訓(xùn)練圖片400張，測試圖片100張，共5類。我將圖片放在caffe根目錄下的data文件夾下面。即訓(xùn)練圖片目錄：data/re/train/ ,測試圖片目錄: data/re/test/

二、轉(zhuǎn)換為lmdb格式

具體的轉(zhuǎn)換過程，可參見我的前一篇博文：Caffe學(xué)習(xí)系列(11)：圖像數(shù)據(jù)轉(zhuǎn)換成db（leveldb/lmdb)文件

首先，在examples下面創(chuàng)建一個myfile的文件夾，來用存放配置文件和腳本文件。然后編寫一個腳本create_filelist.sh，用來生成train.txt和test.txt清單文件

# sudo mkdir examples/myfile # sudo vi examples/myfile/create_filelist.sh

編輯此文件，寫入如下代碼，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"

然后，運(yùn)行此腳本

# sudo sh examples/myfile/create_filelist.sh

成功的話，就會在examples/myfile/ 文件夾下生成train.txt和test.txt兩個文本文件，里面就是圖片的列表清單。

接著再編寫一個腳本文件，調(diào)用convert_imageset命令來轉(zhuǎn)換數(shù)據(jù)格式。

# sudo vi examples/myfile/create_lmdb.sh

插入：

#!/usr/bin/env sh MY=examples/myfileecho "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_lmdbecho "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_lmdbecho "All Done.."

因為圖片大小不一，因此我統(tǒng)一轉(zhuǎn)換成256*256大小。運(yùn)行成功后，會在 examples/myfile下面生成兩個文件夾img_train_lmdb和img_test_lmdb，分別用于保存圖片轉(zhuǎn)換后的lmdb文件。

三、計算均值并保存

圖片減去均值再訓(xùn)練，會提高訓(xùn)練速度和精度。因此，一般都會有這個操作。

caffe程序提供了一個計算均值的文件compute_image_mean.cpp，我們直接使用就可以了

# sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto compute_image_mean帶兩個參數(shù)，第一個參數(shù)是lmdb訓(xùn)練數(shù)據(jù)位置，第二個參數(shù)設(shè)定均值文件的名字及保存路徑。
運(yùn)行成功后，會在 examples/myfile/ 下面生成一個mean.binaryproto的均值文件。

四、創(chuàng)建模型并編寫配置文件

模型就用程序自帶的caffenet模型，位置在?models/bvlc_reference_caffenet/文件夾下, 將需要的兩個配置文件，復(fù)制到myfile文件夾內(nèi)

# 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/sovler.prototxt 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

100個測試數(shù)據(jù)，batch_size為50，因此test_iter設(shè)置為2，就能全cover了。在訓(xùn)練過程中，調(diào)整學(xué)習(xí)率，逐步變小。

修改train_val.protxt，只需要修改兩個階段的data層就可以了，其它可以不用管。

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

實際上就是修改兩個data layer的mean_file和source這兩個地方，其它都沒有變化 。

五、訓(xùn)練和測試

如果前面都沒有問題，數(shù)據(jù)準(zhǔn)備好了，配置文件也配置好了，這一步就比較簡單了。

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

運(yùn)行時間和最后的精確度，會根據(jù)機(jī)器配置，參數(shù)設(shè)置的不同而不同。我的是gpu+cudnn運(yùn)行500次，大約8分鐘，精度為95%。

?

總結(jié)

以上是生活随笔為你收集整理的Caffe学习系列(12)：训练和测试自己的图片的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。