Caffe——训练和测试自己的图片

Caffe——训练和测试自己的图片
下面我们要训练和测试自己的图片来，好激动。我们搜集来一些图片共500张，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，可到这个网盘下载：http://pan.baidu.com/s/1nuqlTnN。
编号分别以1，2，3，4，5，6，7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文件夹下面。即训练图片目录：data/re/train/ ,测试图片目录: data/re/test/
二/转换文件格式lmdb
首先，在examples下面创建一个myfile的文件夹，用来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/myfilesudo vi  examples/myfile/create_filelist.sh

编辑此文件，写入以下代码，并保存

#!/usr/bin/env shDATA=data/re/MY=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"

运行脚本

# sh examples/myfile/create_filelist.sh

运行成功，会在examples/myfile/文件夹下生成train.txt和test.txt两个文件，里面为图片列表清单。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

#!/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/xxx/caffe/data/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/xxx/caffe/data/re/ \$MY/test.txt \$MY/img_test_lmdbecho "All Done.."

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。

四 创建模型并编写配置文件
模型我们使用自带的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solver.prototxt

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: 0.005solver_mode: GPU

100个测试数据，batch_size为50，因此test_iter为2，就能全部覆盖，在训练过程中，调整学习率，逐步变小。修改train_val.protxt， 只需修改两个阶段的data层就可以。

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，其它都没有变化 。
五 训练和测试

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