caffe学习系列：训练自己的图片集

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 http://www.image-net.org/download-images，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。
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/
注：Ubuntu 中使用root权限复制粘贴文件
第一步：打开终端，在命令行里输入sudo nautilus
第二步：输入你的用户的密码
第三步：在弹出的窗口中打开需要操作的目录
第四步：把你所需要的其他目录中的文件进行复制，并且粘贴到当前的这个目录中
或者：也可以在当前目录窗口中删掉不想要的文件
用sudo 后面接你要执行的命令

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：每行的代码要顶格写，前面不可留有空格，否则会出现：
在这里插入图片描述
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。
在这里插入图片描述

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：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。

# 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。
在这里插入图片描述

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
在这里插入图片描述

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，精度为92%。如下图所示：
在这里插入图片描述

注：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。