【caffe-Windows】训练自己数据——数据集格式转换

前言

看了mnist和cifar的实例，是不是想我们现实中一般都是一张张的图片，和实例里面都不一样呢？那么如何来进行训练呢？为了能够简便点，我们就不自己去采集数据集了，因为第一自己采集的数据集量可能不够，第二，采集的数据集可能标注有很大问题，比如噪声太多等，第三针对每一种数据，我相信有不同的模型去进行classification，并不是一味地套用别人的模型，当然也可以在别人基础上做微调fine tuning。

在这一个教程中，我们利用cifar数据集去模拟现实中的训练。

如果你有自己的数据，可直接进行第二步

第一步

cifar数据集的可视化。读者如果有自己数据集，可以忽视此步骤，此步骤主要用于将cifar 的数据全部转为png图片，并制作相应标签。

先看看我的代码的目录结构：

接下来介绍每一个文件的由来：

①test和train文件夹是我用来存储cifar每一张图片的位置，一个是训练集、一个是测试集

②几个mat文件，从cifar的官网去下载matlab version的数据集，解压就可以得到。

③几个.m文件就是我们用来可视化以及图片转存的代码。

下面看这几个程序：

ReadImage.m

function  image  = ReadImage( data )%data是一维的，1*3072,转换为32*32*3的图片image(:,:,1)=reshape(data(1,1:1024),32,32);image(:,:,2)=reshape(data(1,1025:2048),32,32);image(:,:,3)=reshape(data(1,2049:3072),32,32);end

read_train.m

%cifar转image，可视化%N*3072维度，每1024分别代表RGB,图像大小32*32clearclcload('batches.meta.mat')numpic=0;fp=fopen('./train/train_labels.txt','wt');for i=1:5    count=0;    str=['data_batch_' num2str(i) '.mat'];    fprintf('load %s\n',str);    load(str)    figure(1)    set (gcf,'Position',[50,50,900,900], 'color','w')    for j=1:size(data,1)        %% 读取图片和标签        count=count+1;%每次可视化计数subplot位置        numpic=numpic+1;%为图片编号从1开始，规则：序号+图片标签(1-cat,2-frog)        image=ReadImage(data(j,:));%按顺序读取图片        label=label_names{labels(j,1)+1};%读取对应标签名字        %% 每读100张显示一次图片         subplot(10,10,count)         image=uint8(image);         imshow(image);         title(label)        if mod(count,100)==0            count=0;            pause(0.1)        end        %% 存储在文件夹train中        picture_name=['./train/' num2str(numpic) label '.png'];        name=[num2str(numpic) label '.png'];        imwrite(image,picture_name,'png')        fprintf(fp,'%s %s\n',name,num2str(labels(j,1)));    endendfclose(fp);

read_test.m

%cifar转image，可视化%N*3072维度，每1024分别代表RGB,图像大小32*32clearclcclose allload('batches.meta.mat')numpic=0;fp=fopen('./test/test_labels.txt','wt');fp1=fopen('./test/test_labels1.txt','wt');count=0;load test_batch.matfigure(1)set (gcf,'Position',[50,50,900,900], 'color','w')for j=1:size(data,1)    %% 读取图片和标签    count=count+1;%每次可视化计数subplot位置    numpic=numpic+1;%为图片编号从1开始，规则：序号+图片标签(1-cat,2-frog)    image=ReadImage(data(j,:));%按顺序读取图片    label=label_names{labels(j,1)+1};%读取对应标签    %% 每读100张显示一次图片    subplot(10,10,count)    image=uint8(image);    imshow(image);    title(label)    if mod(count,100)==0        count=0;        pause(0.1)    end    %% 存储在文件夹test中    picture_name=['./test/' num2str(numpic) label '.png'];    name=[num2str(numpic) label '.png'];    imwrite(image,picture_name,'png')    fprintf(fp,'%s %s\n',name,num2str(labels(j,1)));    fprintf(fp1,'%s 0\n',name);endfclose(fp);fclose(fp1);

分别运动read_train和read_test，可以看到train和test文件夹会逐渐生成数据集，且均为单张图片。

读取完毕以后，在train里面有50000张图片和一个标签txt文件，test里面有10000张图片和两个标签txt，一个是正确标注，一个是全标注为0。

【附cifar的几个文件】

①matlab version的mat文件：链接：http://pan.baidu.com/s/1bUAgf8 密码：wk6t

②读取完毕的train文件夹：链接：http://pan.baidu.com/s/1sl5tqxR 密码：krhn

③读取完毕的test文件夹：链接：http://pan.baidu.com/s/1mhJ0vXI 密码：o69i

好了，至此我们已经得到了现实中经常使用的数据格式。

【注】如若想掰正图像，可以使用 qq_35446561提供的方法解决

subplot(10,10,count) image=uint8(image); image=permute(image,[2,1,3]);%加上这句话会好一些imshow(image);

当然也可以采用翻转或者转置等方法，MATLAB都有自带函数去翻转图像。

第二步

以cifar的test集的制作为例吧。

先说一下现实基础：数据集必须分为两个文件夹（一个train，一个test），然后每一个文件夹必须再分文件夹，每一个文件夹代表一类数据。

比如cifar，上面提取的数据分别存储在train和test文件夹，但是并未归类。那么，我在E:\CaffeDev\caffe-master\data\cifar10\cifar-visual\cifar10内新建一个文件夹test，然后在test内部新建了airplane、cat、frog三个文件夹，在每一个文件夹中分别放入了从第一步提取的 test 集中随便取的对应类别的56张图片。

还是看一下目录结构吧

云盘分享可以看出目录结构：链接：http://pan.baidu.com/s/1i5nuKb7 密码：xlr4

接下来就是读取每一张图片，并且添加相应的数据标签到txt里面去了，在E:\CaffeDev\caffe-master\data\cifar10\cifar-visual\cifar10新建了一个test_label.txt，然后使用matlab书写文件写入的代码：

%读取图片，制作cifar测试集fprintf(2,'Reading test data.... \n');rt_data_dir = './test_cifar';    %测试集的根目录data_dir='test_cifar'; %标签txt中不需要根目录前面的./，所以新建一个变量存储subfolders = dir(rt_data_dir); %根目录结构totalclass=0;%用于存储有类别数fp=fopen('test_label.txt','wt');  for ii = 1:length(subfolders),    subname = subfolders(ii).name;%获取根目录下的所有文件夹名称    %有两个隐藏文件夹，用于./和../跳转，读取数据集不需要它俩    if ~strcmp(subname, '.') && ~strcmp(subname, '..'),        totalclass=totalclass+1;%每一个文件夹都是一个类别        label_name{totalclass} = subname; %读取此文件夹的名称，也可以自己建立一个标签集，依次取        data = dir(fullfile(rt_data_dir, subname, '*.png'));  %取出所有后缀为png的数据        c_num=length(data);%当前类别有多少个数据        for jj=1:c_num          name=fullfile(data_dir, subname, data(jj).name);          fprintf(fp,'%s %s\n',name,num2str(totalclass-1));%从0开始编号        end        fprintf(1,'正在处理类别：%s\n',label_name{totalclass});    endend

主要功能就是完成了当前目录下的test文件夹下每一个类别的全部数据的文件名(比如\test_cifar\airplane\9483airplane.png)读取，并且写入到txt里面。

第三步

转换leveldb格式

主要调用caffe.sln编译完毕得到的convert_imageset.exe这个程序，首先看一下使用说明

按照这个说明，首先是找到exe的路径，然后是数据集文件夹，数据集标签，转换以后的数据存储位置，-backend设置转换格式(leveldb/lmdb)

【注意】如果是你自己的数据集，这个地方的标签一定要注意，读取的时候是按照“数据文件夹/标签内容”依次读取的，不然无法读取成功。比如在下例中，如果你的标签内容第一行为airplane\9483airplane.png，数据集文件夹是test_cifar\ 那么读取的时候就是test_cifar\airplane\9483airplane.png，但是如果标签内容为test_cifar\airplane\9483airplane.png，那么读取的时候就读取test_cifar\test_cifar\airplane\9483airplane.png ，显然读取失败，不存在此文件，因为前面重复了根目录，这个地方一定要注意。

转换数据使用的convert.bat内容如下：

E:\CaffeDev\caffe-master\Build\x64\Debug\convert_imageset.exe  ./test_cifar/ test_label.txt  test_leveldb -backend=leveldbpause

也可以设置一下[FLAGS]重新把所有的图像resize一下，注意caffe的输入数据集必须是统一大小

更新日志2017-1-9

这个地方resize开始写博客的时候写成28*28了，导致caffe -test命令自动终止，而无测试的batch信息，改成32*32的原始大小即可了，这个大小必须和train的数据集的大小相同，不然会导致同一个模型参数，接受了不同尺寸大小的图片输入。

E:\CaffeDev\caffe-master\Build\x64\Debug\convert_imageset.exe --resize_width=32 --resize_height=32  ./test_cifar/ test_label.txt  test_leveldb -backend=leveldbpause

运行时候内容如下：

E:\CaffeDev\caffe-master\data\cifar10\cifar-visual\cifar10>E:\CaffeDev\caffe-master\Build\x64\Debug\convert_imageset.exe  ./test_cifar/ test_label.txt  test_leveldb -backend=leveldbI1017 17:25:38.574908 16872 convert_imageset.cpp:86] A total of 168 images.I1017 17:25:38.584908 16872 db_leveldb.cpp:18] Opened leveldb test_leveldbI1017 17:25:38.768919 16872 convert_imageset.cpp:150] Processed 168 files.E:\CaffeDev\caffe-master\data\cifar10\cifar-visual\cifar10>pause请按任意键继续. . .

如果显示的读取图片数量为0，或者图片不存在，那么肯定是文件夹名写错或者是标签问题，确切地说，是标签里面的路径问题，一定要注意这一点。

【注】如果这个步骤你想转换为lmdb格式，只需要修改-backend=lmdb即可。

转换完毕以后可以用已经训练好的模型来测试一下这三类模型(注意区分这时的test虽然取自val，但是作用并非val的作用，而是作为test集的，详细自行查找机器学习三个数据集的作用)：链接：http://pan.baidu.com/s/1jHPGMpw 密码：g97n

第四步

总结一下，容易出错的地方在于：

①bat 内部书写出问题，严格按照第三步的几个顺序书写

②标签txt 内部的路径问题，很可能与bat 所书写的根路径重复

训练模型回看前面的

【caffe-Windows】cifar实例编译之model的生成：http://blog.csdn.net/zb1165048017/article/details/51476516