caffe 训练和测试自己的图片
caffe 训练和测试自己的图片
1. 数据准备
如果网络比较好,可以去imagenet下载。但是由于网络的原因我没有下载。这里测试的数据是在网上找的。总共有500张,分别为大巴车、恐龙、大象、鲜花和马,美个类有100张图片,分别以3、4、5、6、7开头,各为一类。需要的可以在这里下载。
之后为了训练作准备,我从每一类各取出20张作为测试集,其余的作为训练数据。那么,共有400张图作训练数据,测试数据为100张。在最后我把图片放到caffe根目录下的data文件夹下面,即训练图片目录为:data/re/train/,测试图片数据放在:data/re/test
2. 转换为lmdb格式
对于更详细的转换过程,可以参考我之气那的一篇博文,图像数据转换成db(leveldb/lmdb)文件.
2.1 生成图片list
- 首先,在examples下面创建一个myfile的文件夹,来用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/myfile
# sudo vi examples/myfile/create_filelist.sh
运行如上两行命令,然后把以下的脚本添加到create_filelist.sh.
#!/usr/bin/env sh
DATA=data/re/
Create_dir=examples/myfile
echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$Create_dir/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 3 4 5 6 7
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"
运行脚本
# sudo sh examples/myfile/create_filelist.sh
结果:Terminal会输出,
Create train.txt...
Create test.txt...
All done
在文件夹中会看到以下文件,如图所示
并且在生成的train.txt文件中的内容如图所示。
到这里完成了把图片的目录添加到一个list中,相当与制作标签。
2.2 转换成lmdb格式
运行如下命令,进行脚本的编辑,这个脚本的作用就是就是把图片数据转换成lmdb数据。
# sudo vi examples/myfile/create_lmdb.sh
然后在插入如下脚本
#!/usr/bin/env sh
dir=examples/myfile
echo "Create train lmdb.."
rm -rf $dir/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/xxx/caffe/data/re/ \
$dir/train.txt \
$dir/img_train_lmdb
echo "Create test lmdb.."
rm -rf $dir/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/xxx/caffe/data/re/ \
$dir/test.txt \
$dir/img_test_lmdb
echo "All Done.."
注意,在保存输出的路径中的xxx要改为自己电脑的地址。因为图片大小不一,因此我统一转换成256*256大小。通过如下命令执行脚本
bash examples/myfile/create_lmdb.sh
输出的结果:
同时在 examples/myfile下面生成两个文件夹img_train_lmdb和img_test_lmdb,分别用于保存图片转换后的lmdb文件。如同所示。
3. 计算均值并保存
在深度学习中,通常会对数据作均值,提高速度和精度。在caffe中同样会有这样的操作,所以在这里对数据作均值处理。在caffe中提供了一个计算均值的文件compute_image_mean.cpp,在这里直接使用即可。
# sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto
- compute_image_mean参数说明:总共有两个参数,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。
4. 创建模型并编写配置文件
模型就用程序自带的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/
复制完成后对配置文件进行修改,即修改solver.prototxt文件。
net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU
100个测试数据,batch_size为50,因此test_iter设置为2,就能全cover了。在训练过程中,调整学习率,逐步变小。
修改train_val.protxt,只需要修改两个阶段的data层就可以了,其它可以不用管。
训练层的data层改为:
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
}
}
测试层的data层改为:
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 。
5. 训练和测试
通过以上的准备以后,接下来就到最后的阶段了。可以通过以下命令对模型进行训练。
# sudo build/tools/caffe train -solver examples/myfile/solver.prototxt
结果:
6.参考文献
推荐阅读