将图片转换成caffe的lmdb形式并进行实验

最近做实验需要用到caffe，做一下总结以备以后操作参考
实验是使用自己从网上爬的数据集来替换caffe中demo中的数据集
首先介绍一下数据的格式
Caffe生成的数据分为2种格式：Lmdb和Leveldb

它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。
虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。
不论使用何种框架进行CNNs训练，共有3种数据集：

Training Set：用于训练网络
Validation Set：用于训练时测试网络准确率
Test Set：用于测试网络训练完成后的最终正确率

1. 数据集的准备
   1在实验目录下分别创建train，test，val三个文件分别存放训练集，测试集，验证集（三个文件家中存放的是图片数据
   jpg，png等格式） 使用脚本江上述的图片数据集生成（key，value）的文本数据
   2 在此我使用的数据集是从网上搜索出的猫狗的图像各300张数据量有点小，命名格式是cat_xxx.jpg或者是dog_xxx.jpg(这些也是可以利用脚本来完成的)

#!/usr/bin/env shDATA=images/trainecho "Create train.txt..."rm -rf $DATA/train.txtfind $DATA -name cat*.jpg | cut -d '/' -f4 | sed "s/$/ 1/">>$DATA/train.txtfind $DATA -name dog*.jpg | cut -d '/' -f4 | sed "s/$/ 2/">>$DATA/tmp.txtcat $DATA/tmp.txt>>$DATA/train.txtrm -rf $DATA/tmp.txtecho "Done.."

通过上述脚本可以获取cat_xxx.jpg 1这样的键值对数据存放在train.txt文件中。

• 3 利用train.txt的键值对数据形成lmdb形式的数据。

在caffe中，作者为提供了这样一个文件：convert_imageset.cpp，存放在根目录下的tools文件夹下。编译之后，生成对应的可执行文件放在 buile/tools/ 下面，这个文件的作用就是用于将图片文件转换成caffe框架中能直接使用的db文件。
使用格式
“`
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

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

设置参数-shuffle,打乱图片顺序。设置参数-resize_height和-resize_width将所有图片尺寸都变为256*256./home/caffe/caffe/images/train/ 为图片保存的绝对路径。可以根据实际情况将路径修改。运行脚本，img_train_lmdb数据生成。

• 4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，直接使用就可以了

# sudo build/tools/compute_image_mean images/train/img_train_lmdb images/train/mean.binaryproto

• 5 使用的demo中的网络参数文件和训练参数文件配置
  网络参数
  网络模型文件在 models/bvlc_reference_caffenet/train_val.prototxt 文件中；
  这里直接使用caffe提供的这个网络结构，以后再根据自己的想法做更改；（可以根据models下面的不同网络模型进行选择）
  注意：大家需要打开这个文件，更改里面的路径

训练参数
训练参数文件在：models/bvlc_reference_caffenet/solver.prototxt中
对solver.prototxt 修改后的参数如下

net: "/home/caffe/caffe/data/myfile/train_val.prototxt"  test_iter: 4  //测试的时候，输入4个batch  test_interval: 1000 //每迭代1000次，测试一次  base_lr: 0.01  // 初始的学习率是0.01  lr_policy: "step"  gamma: 0.1  stepsize: 3000 //每迭代3000次，调整一次学习率  display: 20  //每20次迭代，显示一次  max_iter: 12000 //最大迭代12000次  momentum: 0.9  weight_decay: 0.0005  snapshot: 5000  snapshot_prefix: "/home/caffe/caffe/data/myfile/"  solver_mode: GPU

这个文件需要根据网络参数与实际的数据来修改。

• 6训练及输出结果

 #  sudo /home/caffe/caffe/build/tools/caffe train -solver data/myfile/solver.prototxt```

当然，上面的命令，需要根据自己的路径相应的改下

输出的结果并不是很好也许是数据集的问题，毕竟是大数据集下的实验，通过此过程算是一个小小的入门吧。

参考资料
http://caffe.berkeleyvision.org/gathered/examples/imagenet.html
http://www.cnblogs.com/denny402/p/5083300.html