训练自己的数据

来源：互联网发布：vps搭建虚拟专用网络编辑：程序博客网时间：2024/05/05 21:48

为了完成毕业设计，还需要继续学习Caffe，并能够成功地训练自己的实验数据，这里整理Caffe整个训练过程。
使用Caffe训练卷积神经网络主要包括以下几个步骤：（1）预处理图像，一般是指将图像转化为具有同样大小的像素；（2）根据设计好的网络结构配置相应的网络结构文件和训练参数文件；（3）训练模型并测试结果；（4）可视化结果（如果需要）。

1.准备数据

对于图像分类而言，去ImageNet官网去下载比赛数据。但是不禁吐槽一下宿舍的网速慢的可以，真要下的话，我恐怕就要等到老掉牙了。我最后选择从自己的实验数据中抽取两类200张左右图片作为数据源。
训练数据与测试数据放在的位置是随意的，但是Caffe已经为我们安排好了文件结构，这些数据都放在../data/yourfolder/train和../data/yourfolder/test下，所以我还是规规矩矩的这样做了。

自己的数据源
123456
我参考博客的博主整理的数据源的百度云网址
http://pan.baidu.com/s/1nuqlTnN

2.图像预处理

Caffe的训练数据可以来自数据库文件leveldb和lmdb以及图片，对于Caffe数据层以及参数的介绍可以进一步参考博客 http://www.cnblogs.com/denny402/p/5070928.html
有人做过实验，说使用lmdb的读取速度比leveldb快，这里我选取lmdb实验。进一步去做的是就生成带有图片标签的train和test文件。

(1)生成标签文件

首先在examples下创建jd2文件夹,并进一步编写shell文件生成train.txt和test.txt

mkdir examples/jd21

gedit examples/jd2/create_filelist.sh1

create_filelist.sh的文件内容如下：

#!/usr/bin/env shDATA=data/jd2/MY=examples/jd2rm -rf $MY/train.txtfor i in 0 1dofind $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txtdonerm -rf $MY/test.txtfor i in 0 1dofind $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txtdone1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

对于图片转化为leveldb和lmdb的方法，请参考博客http://www.cnblogs.com/denny402/p/5082341.html

这里建议标签都从0开始，这样可以避免内存溢出的问题，否则你就需要按你最大的标签来写分类数。比如3，4，7，分类数字就要写成8
如果shell知识不太懂，建议先简略看一下

运行shell文件，sh examples/jd2/create_filelist.sh,生成文件像下面：
9090

(2)转化lmdb

首先编写shell文件

gedit examples/jd2/create_lmdb.sh1

#!/usr/bin/env shMY=examples/jd2rm -rf $MY/img_train_lmdbbuild/tools/convert_imageset \--shuffle \--resize_height=256 \--resize_width=256 \/home/whutwf/caffe/data/jd2/ \$MY/train.txt \$MY/img_train_lmdbrm -rf $MY/img_test_lmdbbuild/tools/convert_imageset \--shuffle \--resize_width=256 \--resize_height=256 \/home/whutwf/caffe/data/jd2/ \$MY/test.txt \$MY/img_test_lmdb1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

运行shell文件生成连个文件夹img_train_lmdb和img_test_lmdb

在转化lmdb的时候，控制端会显示处理图像的个数，好像在window下是显示图像大小。但是如果出现处理文件为0的情况，可能是因为train.txt和test.txt文件有问题，文件名与标签之间应该是空格而不是别的。

(3)生成均值文件

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。
首先创建shell文件

#!/usr/bin/env sh# create_mean.shbuild/tools/compute_image_mean examples/jd2/img_train_lmdb examples/jd2/mean.binaryproto1
2
3
4

3.创建模型

Caffe有现有的网络文件，我们可以使用，也可以去github寻找自己适合的网络文件。

cp models/bvlc_reference_caffenet/solver.prototxt examples/jd2/cp models/bvlc_reference_caffenet/train_val.prototxt examples/jd2/1
2

修改solver.prototxt文件

net: "examples/jd2/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: CPU #我使用的是CPU模式1
2
3
4
5
6
7
8
9
10
11
12

对于train_val.prototxt只需修改文件路径和分类个数

name: "CaffeNet"layer {  name: "data"  type: "Data"  top: "data"  top: "label"  include {    phase: TRAIN  }  transform_param {    mirror: true    crop_size: 227    mean_file: "examples/jd2/mean.binaryproto"  }  data_param {    source: "examples/jd2/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/jd2/mean.binaryproto"  }  data_param {    source: "examples/jd2/img_test_lmdb"    batch_size: 50    backend: LMDB  }}··················1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

创建shell文件并运行（训练数据）

#!/usr/bin/env sh# train.shbuild/tools/caffe train -solver examples/myfile/solver.prototxt1
2
3
4

对于solver.prototxt配置请参考
http://www.cnblogs.com/denny402/p/5074049.html

参考文献:
[1]denny的学习专栏-Caffe学习系列(12)：训练和测试自己的图片
[2]薛开宇学习笔记

0 0