caffe命令行的使用实例

这次转战ubuntu虚拟机，用cpu only的模式搞事情。

首先做一下图片的文件格式转换，图像文件转对应db的方式：

convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME

需要带四个参数：

FLAGS: 图片参数组，后面详细介绍

-gray: 是否以灰度图的方式打开图片。程序调用opencv库中的imread()函数来打开图片，默认为false

-shuffle: 是否随机打乱图片顺序。默认为false

-backend:需要转换成的db文件格式，可选为leveldb或lmdb,默认为lmdb

-resize_width/resize_height: 改变图片的大小。在运行中，要求所有图片的尺寸一致，因此需要改变图片大小。 程序调用opencv库的resize（）函数来对图片放大缩小，默认为0，不改变

-check_size: 检查所有的数据是否有相同的尺寸。默认为false,不检查

-encoded: 是否将原图片编码放入最终的数据中，默认为false

-encode_type: 与前一个参数对应，将图片编码为哪一个格式：‘png’,’jpg’……

ROOTFOLDER/: 图片存放的绝对路径，从linux系统根目录开始

LISTFILE: 图片文件列表清单，一般为一个txt文件，一行一张图片

DB_NAME: 最终生成的db文件存放目录

然后再caffe根目录下的example的image文件夹里面看到几个照片。在caffe个目录下新建一个.sh文件

# /usr/bin/env shDATA=examples/imagesecho "Create train.txt..."rm -rf $DATA/train.txtfind $DATA -name *cat.jpg | cut -d '/' -f3 | sed "s/$/ 1/">>$DATA/train.txtfind $DATA -name *bike.jpg | cut -d '/' -f3 | sed "s/$/ 2/">>$DATA/tmp.txtcat $DATA/tmp.txt>>$DATA/train.txtrm -rf $DATA/tmp.txtecho "Done.."

执行一下，在images文件夹下会生成一个txt文件

cat.jpg 1
fish-bike.jpg 2

大概就是用来分类的。sh的编写方式以后再看。

一般文件比较少就手动写也没问题。

所以这个时候使用convert命令的时候就是直接写个shell好了

#!/usr/bin/en shDATA=examples/imagesrm -rf $DATA/img_train_lmdbbuild/tools/convert_imageset --shuffle \--resize_height=256 --resize_width=256 \/home/xxx/caffe/examples/images/ $DATA/train.txt  $DATA/img_train_lmdb

其中/home/xxx/caffe/examples/images/要写成图像位置的绝对路径，这个可以从文件的属性中找到
结果在目录下出现这两个文件就可以了

测试自己的数据

测试自己的数据首先必须要转换文件格式。
这里的先行条件是现在caff/examples下建立myfile文件夹。里面放上这里下载的图像库

在caffe根目录下编辑shell createfile.sh

#!/usr/bin/env shDATA=examples/myfile/reMY=examples/myfileecho "Create train.txt..."rm -rf $MY/train.txtfor i in 3 4 5 6 7 dofind $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txtdoneecho "Create test.txt..."rm -rf $MY/test.txtfor i in 3 4 5 6 7dofind $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txtdoneecho "All done"

成功的话会出现两个txt文件为文件和label的清单。
在写shell用于转化成lmdb文件

#!/usr/bin/env shMY=examples/myfileecho "Create train lmdb.."rm -rf $MY/img_train_lmdbbuild/tools/convert_imageset \--shuffle \--resize_height=256 \--resize_width=256 \/home/lwm/lwm/caffe-master/examples/myfile/re/ \$MY/train.txt \$MY/img_train_lmdbecho "Create test lmdb.."rm -rf $MY/img_test_lmdbbuild/tools/convert_imageset \--shuffle \--resize_width=256 \--resize_height=256 \/home/lwm/lwm/caffe-master/examples/myfile/re/ \$MY/test.txt \$MY/img_test_lmdbecho "All Done.."

这里注意更改文件夹路径。

因为图片大小不一，因此我统一转换成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。

---

然后就是计算均值，这样可以让图像减去均值在计算，可以提高训练的速度和精度。

直接运行

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。

---

创建模型和配置文件：
这里用的是自带的caffenet，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。
修改其中的solver文件，这里不是绝对路径

net: "examples/myfile/train_val.prototxt"test_iter: 2test_interval: 50base_lr: 0.001lr_policy: "step"gamma: 0.1stepsize: 100display: 20max_iter: 500momentum: 0.9weight_decay: 0.0005solver_mode: cpu

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

修改train_val.protxt，只需要修改两个阶段的data层就可以了，其它可以不用管。

name: "CaffeNet"layer {  name: "data"  type: "Data"  top: "data"  top: "label"  include {    phase: TRAIN  }  transform_param {    mirror: true    crop_size: 227    mean_file: "examples/myfile/mean.binaryproto"  }# mean pixel / channel-wise mean instead of mean image#  transform_param {#    crop_size: 227#    mean_value: 104#    mean_value: 117#    mean_value: 123#    mirror: true#  }  data_param {    source: "examples/myfile/img_train_lmdb"    batch_size: 50    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"  }# mean pixel / channel-wise mean instead of mean image#  transform_param {#    crop_size: 227#    mean_value: 104#    mean_value: 117#    mean_value: 123#    mirror: false#  }  data_param {    source: "examples/myfile/img_test_lmdb"    batch_size: 50    backend: LMDB  }}

---

最后就是紧张刺激的训练和测试

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

由于用的cpu测试的，所以训练速度特别慢

搞一晚上万一跑完了呢~

出现Restarting data prefetching from start错误，听说是batch_size设置太大了，重新在设置batch_size为25。就好了。

最终结果百分之96，花的时间大概是四把英雄联盟的时间。