caffe学习笔记6--训练自己的数据集
来源:互联网 发布:天刀萝莉少女捏脸数据 编辑:程序博客网 时间:2024/06/05 18:26
这一部分记录下如何用caffe训练自己的数据集,这里使用AlexNet的网络结构。
该结构及相应的solver文件在CAFFE/models/bvlc_alexnet目录下,使用train_val.prototxt和solver.prototxt两个文件
首先,在$CAFFE/examples/imagenet下面创建自己的文件夹,myimage,
因为原始的Imagenet数据集太大,我们这里使用自己的数据集,我从网上下载了两类数据集存放在myimage下的image文件夹下,文件结构:
-----images
|-------car
|------person
每一类存放在一个文件夹中,接下来生成txt文档,文档中包含了图片的存放路径,图片的标签,我用python来实现生成.txt文件
import osroot = os.getcwd() #获取当前路径data = 'images'path = os.listdir(root+'/'+ data) #显示该路径下所有文件path.sort()file = open('train.txt','w')i = 0for line in path: str = root+'/'+ data +'/'+line for child in os.listdir(str): str1 = data+'/'+line+'/'+child; d = ' %s' %(i) t = str1 + d file.write(t +'\n') i=i+1 file.close()
生成的txt文本的格式如下:
images/car/101008094025552.jpg 0
images/person/5174f5a74f4f0.jpg 1
这里需要说一下,样本标签需要从0开始,否则会出现一些问题。也可以使用控制台下的命令,这个需要自己查一下,我没有用过
还需要生成val测试文件,同样的步骤。
在生成txt文件后,需要使用imagenet下的create_imagenet.sh文件生成lmdb文件。将这个文件拷贝到你自己的文件目录下,需要修改一些目录和文件名,看一下里面的内容。
#!/usr/bin/env sh# Create the imagenet lmdb inputs# N.B. set the path to the imagenet train + val data dirsEXAMPLE=examples/imagenet/myimageTOOLS=build/toolsTRAIN_DATA_ROOT=examples/imagenet/myimage/ #训练样本的存放路径VAL_DATA_ROOT=examples/imagenet/myimage/ #测试样本的存放路径# Set RESIZE=true to resize the images to 256x256. Leave as false if images have# already been resized using another tool.RESIZE=falseif $RESIZE; then RESIZE_HEIGHT=256 #改变图片的大小为256*256 RESIZE_WIDTH=256else RESIZE_HEIGHT=0 RESIZE_WIDTH=0fi# 判断路径是否正确的提示信息if [ ! -d "$TRAIN_DATA_ROOT" ]; then echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT" echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path" \ "where the ImageNet training data is stored." exit 1fiif [ ! -d "$VAL_DATA_ROOT" ]; then echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT" echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \ "where the ImageNet validation data is stored." exit 1fiecho "Creating train lmdb..."GLOG_logtostderr=1 $TOOLS/convert_imageset \ #调用convert_imageset文件转换文件格式,后面为输入参数 --resize_height=$RESIZE_HEIGHT \ --resize_width=$RESIZE_WIDTH \ --shuffle \ $TRAIN_DATA_ROOT \ $EXAMPLE/train.txt \ $EXAMPLE/train_lmdbecho "Creating val lmdb..."GLOG_logtostderr=1 $TOOLS/convert_imageset \ --resize_height=$RESIZE_HEIGHT \ --resize_width=$RESIZE_WIDTH \ --shuffle \ $VAL_DATA_ROOT \ $EXAMPLE/val.txt \ $EXAMPLE/val_lmdbecho "Done."在caffe根目录下运行:./examples/imagenet/myimage/create_imagenet.sh,文件夹中会多出两个lmdb的文件夹
其实, 对于改变图片的大小,可以在当前目录下使用:
for name in images/*/*.jpg;do convert -resize 256x256\! $name $name; done
这条命令*为通配符,上面--resize可以不要
接下来,需要对现有图片求均值:
使用imagenet中的make_imagenet_mean.sh对训练图片数据求均值,将其拷贝到你的文件目录下,修改下路径:
#!/usr/bin/env sh# Compute the mean image from the imagenet training lmdb# N.B. this is available in data/ilsvrc12EXAMPLE=examples/imagenet/myimageTOOLS=build/tools$TOOLS/compute_image_mean $EXAMPLE/train_lmdb \ #调用compute_iamge_mean计算均值,其cpp代码在tool目录下 $EXAMPLE/imagenet_mean.binaryprotoecho "Done."
在caffe根目录下运行:./examples/imagenet/myimage/make_imagenet_mean.sh
完成之后,还需要做的事情就是修改网络的训练参数和获取文件的地址:
首先,看一下train_val.prototxt.
需要修改:
name: "AlexNet"layer { name: "data" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { mirror: true crop_size: 227 mean_file: "examples/imagenet/myimage/imagenet_mean.binaryproto" #均值二进制文件的存放目录 } data_param { source: "examples/imagenet/myimage/train_lmdb" #数据的存放目录 batch_size: 50 #因为我的数据规模很小,所以批处理的数据的量我改为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/imagenet/myimage/imagenet_mean.binaryproto" } data_param { source: "examples/imagenet/myimage/val_lmdb" batch_size: 50 backend: LMDB }}
对于solver.prototxt:
net: "examples/imagenet/myimage/train_val.prototxt"test_iter: 10test_interval: 100base_lr: 0.001lr_policy: "step"gamma: 0.1stepsize: 100display: 20max_iter: 400 #这里说一下最大迭代次数,原来文档中是45000,但是我的数据量很小,在几百次的时候loss已经比较小了,为了尽快的到训练结果,因此,所有的参数都相应有所修改。momentum: 0.9weight_decay: 0.0005snapshot: 200snapshot_prefix: "examples/imagenet/myimage"solver_mode: CPU #我这里使用cpu,自作的,慢的要死.关于这两个文件的解释,可以看我之前写的博客,
修改完成后,可以开始训练了:
将train_caffenet.sh放到自己的文件目录下,
#!/usr/bin/env sh./build/tools/caffe train \ --solver=examples/imagenet/myimage/solver.prototxt
在CAFFE根目录下运行:./examples/imagenet/myimage/train_caffenet.sh
这里需要注意,所有的执行语句一定是在根目录下,否则会报错,除非你在配置文件时候更改路径!
这样,训练过程就开始了,
稍微描述一下执行过程:
首先,初始化参数:输出solver.prototxt中的内容:
然后,初始化网络结构,就是train_val中的内容,这个可以在上个输出网络初始化过程中看出来。
接下来就是进入训练过程。
在我的训练过程中:
刚开始训练时:
I0418 09:38:17.902889 504 solver.cpp:409] Test net output #0: accuracy = 0I0418 09:38:17.902942 504 solver.cpp:409] Test net output #1: loss = 6.93296 (* 1 = 6.93296 loss)在进过一段时间的迭代后:loss减少,但是真确率提高。至于正确率,估计是我的数据的问题
I0418 10:53:33.159943 504 solver.cpp:409] Test net output #0: accuracy = 1I0418 10:53:33.159999 504 solver.cpp:409] Test net output #1: loss = 0.0103494 (* 1 = 0.0103494 loss)还有一个要注意的是,在alexnet的训练中,lr不是固定的,在sovler中设置,这个可以观察一下控制台的输出。
最后要说的是,这里只是向走一遍训练的过程,但是网路的训练肯定是不充分的。
另外,我是将所有的文件都放在自己的目录下吗,也可以不放,但是要注意文件的路径。
补充记录两个问题:
1.gpu训练,运行过程中如果出现报错:
Check failed: error == cudaSuccess (2 vs. 0) out of memory这个问题很可能是你的网络结构中batch_size的值太大的原因,改小一点就没有问题
2. 迭代过程中出现 loss=-nan
这个问题可能比较多,说明学习率的值设的太大,改小一点再尝试.
- caffe学习笔记6--训练自己的数据集
- caffe学习笔记4:训练自己数据的完整流程
- Caffe学习(3):训练自己的数据
- Caffe学习笔记3——制作并训练自己的数据集
- caffe学习笔记(五)--使用自己的数据集第一次进行训练
- 深度学习Caffe实战笔记(20)Windows平台 Faster-RCNN 训练自己的数据集
- Windows Caffe 学习笔记(三)在Caffe上训练和测试自己的数据
- caffe学习笔记3:使用caffe对自己的图像数据进行训练和测试
- caffe 训练测试自己的数据集
- caffe训练测试自己的数据集
- caffe训练自己的数据集
- caffe训练自己的数据
- caffe训练自己的数据
- Caffe训练自己的数据
- caffe训练自己的数据
- Caffe训练自己的数据
- caffe 训练自己的数据
- caffe训练自己的数据
- Node.js + MongoDB + AngularJS - 2 Javascript基础
- 核心动画介绍
- platform平台总线---led实验实例
- 测试私有继承的情况下,private virtual members 的访问权限
- Kafka consumer API简介
- caffe学习笔记6--训练自己的数据集
- [Unity优化] Unity CPU性能优化
- 用jQuery写的简单两级树形菜单
- NASA研发首架登陆火星的人造飞行器,高效翼型飞翼实验-(普朗特-D3)试飞。
- [kuangbin带你飞]专题一 简单搜索 N - Find a way
- 内核入侵指南
- c++易忘简单知识点
- 38. Count and Say
- 大数之取摸问题