caffe训练自己的图片

这个基本上按照大神的笔记来的。

学习参考
大神不仅提供了训练图片，还有详细的训练过程，包括转换源码，非常感谢。

总的来说用caffe来训练分类，可以分为几个步骤。

下载图片，生成.txt，这个txt用于转换图片格式的参数用到了
把训练图片转换成lmdb格式
计算图片均值
修改网络参数和网络的图片路径等
训练网络

大分为以上5个步骤。其实最开始三个环节都可以归类位准备数据环节。

下载图片及生成清单

图片来源于大神提供：
图片下载地址
这里写图片描述
分为训练和测试两个文件，训练大约400个，测试100个。
每个里面都是五个分类，标签是3,4,5,6,7。
下载后将图片放在caffe的data文件夹里。

大神谢了一个脚本实现了txtx参数的生成，在评论里有大神说用python比较方便，这里提供了两种方法：
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

编辑此文件，写入以下代码：

#!/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 $i*.jpg | cut -d '/' -f3-5 | sed "s/$/ $i/">>$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 $i*.jpg | cut -d '/' -f3-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"

或者编写一个py文件create_filelist.py

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

编辑内容如下：

# -*- coding: utf-8 -*-

import os
data_path='data/re/'
my='examples/myfile/'
classes=[3,4,5,6,7]

def gen_txt(phase):
    f=open(my+phase+'.txt','w')
    for c in classes:
        folder=str(c)
        images=os.listdir(data_path+phase+'/')
        for img in images:
            f.write(phase+'/'+img+' '+folder+'\n')

gen_txt('train')
gen_txt('test')

接着在caffe根目录下执行即可。

# sudo sh examples/myfile/create_filelist.sh
#或者
# sudo python examples/myfile/create_filelist.py

成功的话，就会在examples/myfile/ 文件夹下生成train.txt和test.txt两个文本文件，里面就是图片的列表清单。
这里写图片描述

转换成lmdb格式

使用convert_imagese来转换格式，

# sudo vi examples/myfile/create_lmdb.sh

编写脚本内容如下：

#!/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.."

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

这里写图片描述

计算均值

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，可以直接使用

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

compute_image_mean带两个参数，第一个参数是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，会在 examples/myfile/ 下面生成一个mean.binaryproto的均值文件。

修改训练参数及网络

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/

我们常用到的就是这两个文件，一个是训练参数，一个是网络参数
修改其中的solver.prototxt

# sudo vi examples/myfile/solver.prototxt

这里写图片描述
主要是修改路径和训练参数，迭代两次，每次50，即可把测试用的100张照片完全覆盖

然后修改网络参数，也是修改路径

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
  }
}

训练和测试两个地方的参数。

网友提到需要不需要把分类的1000个改成5，目前来看，我没改好像也可。

训练和测试

一个命令行即可搞定

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

这里写图片描述
使用GPU大概几分钟就能出结果。