深度学习（十三）caffe之训练数据格式

caffe之训练数据格式

原文地址：http://blog.csdn.net/hjimce/article/details/49248231

作者：hjimce

caffe对于训练数据格式，支持：lmdb、h5py……，其中lmdb数据格式常用于单标签数据，像分类等，经常使用lmdb的数据格式。对于回归等问题，或者多标签数据，一般使用h5py数据的格式。当然好像还有其它格式的数据可用，不过我一般使用这两种数据格式，因此本文就主要针对这两种数据格式的制作方法，进行简单讲解。

一、lmdb数据

lmdb用于单标签数据。为了简单起见，我后面通过一个性别分类作为例子，进行相关数据制作讲解。

１、数据准备

首先我们要准备好训练数据，然后新建一个名为train的文件夹和一个val的文件夹：

train文件存放训练数据，val文件存放验证数据。然后我们在train文件下面，把训练数据性别为男、女图片各放在一个文件夹下面：

同样的我们在val文件下面也创建文件夹：

两个文件也是分别存我们用于验证的图片数据男女性别文件。我们在test_female下面存放了都是女性的图片，然后在test_male下面存放的都是验证数据的男性图片。

２、标签文件.txt文件制作.

接着我们需要制作一个train.txt、val.txt文件，这两个文件分别包含了我们上面的训练数据的图片路径，以及其对应的标签，如下所示。

我们把女生图片标号为１，男生图片标记为０。标签数据文件txt的生成可以通过如下代码，通过扫描路径男、女性别下面的图片，得到标签文件train.txt和val.txt：

<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;"><span style="font-size:18px;">import os
import numpy as np
from matplotlib import pyplot as plt
import cv2
import shutil


#扫面文件
def GetFileList(FindPath,FlagStr=[]):      
	import os
	FileList=[]
	FileNames=os.listdir(FindPath)
	if len(FileNames)>0:
		for fn in FileNames:
			if len(FlagStr)>0:
				if IsSubString(FlagStr,fn):
					fullfilename=os.path.join(FindPath,fn)
					FileList.append(fullfilename)
			else:
				fullfilename=os.path.join(FindPath,fn)
				FileList.append(fullfilename)

   
	if len(FileList)>0:
		FileList.sort()

	return FileList
def IsSubString(SubStrList,Str):      
	flag=True
	for substr in SubStrList:
		if not(substr in Str):
			flag=False

	return flag

txt=open('train.txt','w')
#制作标签数据，如果是男的，标签设置为０，如果是女的标签为１
imgfile=GetFileList('first_batch/train_female')
for img in imgfile:
	str=img+'\t'+'1'+'\n'
	txt.writelines(str)

imgfile=GetFileList('first_batch/train_male')
for img in imgfile:
	str=img+'\t'+'0'+'\n'
	txt.writelines(str)
txt.close()</span></span></span>

把生成的标签文件，和train\val文件夹放在同一个目录下面：

需要注意，我们标签数据文件里的文件路径和图片的路径要对应的起来，比如val.txt文件的某一行的图片路径，是否在val文件夹下面：

３、生成lmdb数据

接着我们的目的就是要通过上面的四个文件，把图片的数据和其对应的标签打包起来，打包成lmdb数据格式，打包脚本如下：

<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;">#!/usr/bin/env sh
# Create the imagenet lmdb inputs
# N.B. set the path to the imagenet train + val data dirs

EXAMPLE=.          # 生成模型训练数据文化夹
TOOLS=／/../build/tools                              # caffe的工具库，不用变
DATA=.                  # python脚步处理后数据路径

TRAIN_DATA_ROOT=train/  #待处理的训练数据
VAL_DATA_ROOT=val/      # 带处理的验证数据



# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
# already been resized using another tool.
RESIZE=true#是否需要对图片进行resize
if $RESIZE; then
  RESIZE_HEIGHT=256
  RESIZE_WIDTH=256
else
  RESIZE_HEIGHT=0
  RESIZE_WIDTH=0
fi

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 1
fi

if [ ! -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 1
fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    $EXAMPLE/train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/val.txt \
    $EXAMPLE/val_lmdb

echo "Done."</span></span>

通过运行上面的脚本，我们即将得到文件夹train_lmdb\val_lmdb：

我们打开train_lmdb文件夹

并查看一下文件data.mdb数据的大小，如果这个数据包好了我们所有的训练图片数据，查一下这个文件的大小是否符合预期大小，如果文件的大小才几k而已，那么就代表你没有打包成功，估计是因为路径设置错误。我们也可以通过如下的代码读取上面打包好的数据，把图片、和标签打印出来，查看一下，查看lmdb数据请参考下面的代码：

python lmdb数据验证：

<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;"># coding=utf-8
caffe_root = '/home/hjimce/caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe

import os
import lmdb
import numpy
import matplotlib.pyplot as plt


def readlmdb(path,visualize = False):
    env = lmdb.open(path, readonly=True,lock=False)

    datum = caffe.proto.caffe_pb2.Datum()
    x=[]
    y=[]
    with env.begin() as txn:
        cur = txn.cursor()
        for key, value in cur:
            # 转换为datum
            datum.ParseFromString(value)
            # 读取datum数据
            img_data = numpy.array(bytearray(datum.data))\
                .reshape(datum.channels, datum.height, datum.width)
            print img_data.shape
            x.append(img_data)
            y.append(datum.label)
            if visualize:
                img_data=img_data.transpose([1,2,0])
                img_data = img_data[:, :, ::-1]
                plt.imshow(img_data)
                plt.show()
                print datum.label
    return  x,y</span></span>

通过上面的函数，我们可以是读取相关的lmdb数据文件。

４、制作均值文件。

这个是为了图片归一化而生成的图片平均值文件，把所有的图片相加起来，做平均，具体的脚本如下：

#!/usr/bin/env sh
# Compute the mean image from the imagenet training lmdb
# N.B. this is available in data/ilsvrc12

EXAMPLE=.
DATA=train
TOOLS=../../build/tools 

$TOOLS/compute_image_mean $EXAMPLE/train_lmdb \　　＃train_lmdb是我们上面打包好的lmdb数据文件
  $DATA/imagenet_mean.binaryproto

echo "Done."

运行这个脚本，我们就可以训练图片均值文件：imagenet_mean.binaryproto

至此，我们得到了三个文件：imagenet_mean.binaryproto、train_lmdb、val_lmdb，这三个文件就是我们最后打包好的数据，这些数据我们即将作为caffe的数据输入数据格式文件，把这三个文件拷贝出来，就可以把原来还没有打包好的数据删了。这三个文件，我们在caffe的网络结构文件，数据层定义输入数据的时候，就会用到了：

name: "CaffeNet"
layers {
  name: "data"
  type: DATA
  top: "data"
  top: "label"
  data_param {
    source: "train_lmdb"＃lmbd格式的训练数据
    backend: LMDB
    batch_size: 50
  }
  transform_param {
    crop_size: 227
    mirror: true
    mean_file:"imagenet_mean.binaryproto"＃均值文件

  }
  include: { phase: TRAIN }
}
layers {
  name: "data"
  type: DATA
  top: "data"
  top: "label"
  data_param {
    source:  "val_lmdb"＃lmdb格式的验证数据
    backend: LMDB
    batch_size: 50
  }
  transform_param {
    crop_size: 227
    mirror: false
    mean_file:"imagenet_mean.binaryproto"＃均值文件
  }
  include: { phase: TEST }
}

二、h5py格式数据

上面的lmdb一般用于单标签数据，图片分类的时候，大部分用lmdb格式。然而假设我们要搞的项目是人脸特征点识别，我们要识别出68个人脸特征点，也就是相当于136维的输出向量。网上查了一下，对于caffe多标签输出，需要使用h5py格式的数据，而且使用h5py的数据格式的时候，caffe是不能使用数据扩充进行相关的数据变换的，很是悲剧啊，所以如果caffe使用h5py数据格式的话，需要自己在外部，进行数据扩充，数据归一化等相关的数据预处理操作。

1、h5py数据格式生成

下面演示一下数据h5py数据格式的制作：

# coding: utf-8
caffe_root = '/home/hjimce/caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import os
import cv2
import numpy as np
import h5py
from common import shuffle_in_unison_scary, processImage
import matplotlib.pyplot as plt

def readdata(filepath):
	fr=open(filepath,'r')
	filesplit=[]
	for line in fr.readlines():
		s=line.split()
		s[1:]=[float(x) for x in s[1:]]
		filesplit.append(s)
	fr.close()
	return  filesplit
#因为我们的训练数据可能不是正方形，然而网络的输入的大小是正方形图片，为了避免强制resize引起的图片扭曲，所以我们采用填充的方法
def sqrtimg(img):
	height,width=img.shape[:2]
	maxlenght=max(height,width)
	sqrtimg0=np.zeros((maxlenght,maxlenght,3),dtype='uint8')

	sqrtimg0[(maxlenght*.5-height*.5):(maxlenght*.5+height*.5),(maxlenght*.5-width*.5):(maxlenght*.5+width*.5)]=img
	return  sqrtimg0


def generate_hdf5():

	labelfile =readdata('../data/my_alige_landmark.txt')
	F_imgs = []
	F_landmarks = []


	for i,l in enumerate(labelfile):
		imgpath='../data/'+l[0]

		img=cv2.imread(imgpath)
		maxx=max(img.shape[0],img.shape[1])
		img=sqrtimg(img)#把输入图片填充成正方形，因为我们要训练的图片的大小是正方形的图片255*255
		img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#图片转为灰度图像
		f_face=cv2.resize(img,(39,39))#把图片缩放成255＊255的图片
		# F
		plt.imshow(f_face,cmap='gray')


		f_face = f_face.reshape((1, 39, 39))
		f_landmark =np.asarray(l[1:],dtype='float')

		F_imgs.append(f_face)


		#归一化人脸特征点标签,因为上面height等于width，这里比较懒，直接简写
		f_landmark=f_landmark/maxx #归一化到0～１之间
		print f_landmark
		F_landmarks.append(f_landmark)


	F_imgs, F_landmarks = np.asarray(F_imgs), np.asarray(F_landmarks)


	F_imgs = processImage(F_imgs)#图片预处理，包含均值归一化，方差归一化等
	shuffle_in_unison_scary(F_imgs, F_landmarks)#打乱数据

	#生成h5py格式
	with h5py.File(os.getcwd()+ '/train_data.h5', 'w') as f:
		f['data'] = F_imgs.astype(np.float32)
		f['landmark'] = F_landmarks.astype(np.float32)
	#因为caffe的输入h5py不是直接使用上面的数据，而是需要调用.txt格式的文件
	with open(os.getcwd() + '/train.txt', 'w') as f:
		f.write(os.getcwd() + '/train_data.h5\n')
	print i


if __name__ == '__main__':
	generate_hdf5()

利用上面的代码，可以生成一个train.txt、train_data.h5的文件，然后在caffe的prototxt中，进行训练的时候，可以用如下的代码，作为数据层的调用：

layer {
    name: "hdf5_train_data"
    type: "HDF5Data"  #需要更改类型
    top: "data"
    top: "landmark"
    include {
        phase: TRAIN
    }
    hdf5_data_param {   #这个参数类型h5f5_data_param记得要更改
        source: "h5py/train.txt" #上面生成的train.txt文件
        batch_size: 64
    }
}

上面需要注意的是，相比与lmdb的数据格式，我们需要该动的地方，我标注的地方就是需要改动的地方，还有h5py不支持数据变换。

2、h5py数据读取

f=h5py.File('../h5py/train.h5','r')
x=f['data'][:]
x=np.asarray(x,dtype='float32')
y=f['label'][:]
y=np.asarray(y,dtype='float32')
print x.shape
print y.shape

可以通过上面代码，查看我们生成的.h5格式文件。

在需要注意的是，我们输入caffe的h5py图片数据为四维矩阵（number_samples,nchannels,height,width）的矩阵，标签矩阵为二维（number_samples,labels_ndim）,同时数据的格式需要转成float32，用于回归任务。

**********************作者：hjimce   时间：2015.10.2  联系QQ：1393852684  原创文章，转载请保留原文地址、作者等信息***************