基于caffe的googlenet的多标签检测

本文是进一步继续上文基于googlenet inception v3模型的多标签检测的研究，上文的链接为基于Inception v3多标签训练，当博主用该模型训练结果时，会出现测试数据集准确率远低于训练准确率，例如博主就用该模型训练了一个多标签数目总共200多个，而训练数据集总共13000张图片，测试集为3000张图片，此时训练的准确度高达100%，而且迭代次数50次就达到了96%，测试的准确度却只有45%，低的可怜，查阅了一下各种相关内容，总结了产生这样的一个结果主要有几个方面：

1. 训练集太少，而训练参数过多，模型产生了过拟合；
2. 该inception v3模型只训练最后的输出层，这样会使产生训练的准确度及测试的准确度不高；
3. 该模型所使用的优化方法为SGD，使用其它的优化方法可能会产生更好的效果。

解决这一问题的方法有四种：

1. 使用更多的训练集，不过这需要人工进行标注，耗费人力资源；
2. 引入dropout以及正则化，这两项对于解决过拟合问题具有一定的效果；
3. 使用生成式对抗神经网络，但是一般使用生成式对抗神经网络需要原始的数据集很大，才能生成与数据集具有相似信息的图片；
4. 采用更好的优化方法；
5. 更换多标签训练模型；

对于第一种方法就不奢望了，博主使用第二种方法引入了dropout之后会发现，准确率提高了2%左右，但是依然是杯水车薪无济于事，而且博主引入正则化之后，发现出现了最后的模型并不收敛，但是当进行单标签训练的时候，引入正则化会发现测试准确率提升1%左右，可能是正则化对多标签并不友好，而第三种方法所需原始数据集很大，并不适用于13000张训练图片，第四种方法所使用的优化方法可以使模型快速收敛，但仍然对于测试准确率没有任何帮助，于是博主决定更换模型,关于新模型及相关代码已经发布到github上，感兴趣的读者可以阅览https://github.com/Numeria-Jun/multi-labels-googLeNet-caffe

测试图片

博主要训练的图片一共13000多张，测试图片3314张，图片如下：

  

每个图片均有三个标签，分别是车的type，year，name。

打开github上的lable_map.txt，可以看见图片的多标签名称，如audi tt hatchback 2011 00000，其中audi tt为车的name，hatchback为车的type，2011位车的year标签，最后的00000为图片目录，目录为00000里的图片的标签均为audi tt hatchback 2011，例如001465.jpg该图片的所在目录就为00000，它的标签为audi tt hatchback 2011。

现在需要对车进行标注，在文件new_label_train中我们可以看到标记的样式，例如00032/003913.jpg 15 8 39，表示00032目录下的003913.jpg的标签为15（year标签），8（type标签），39（name）标签，其中15对应与label1.txt文件中的索引为15标签（从0开始）即2012，同理可知8为label2.txt文件中的索引为8的标签即sedan，39位label3.txt文件中索引号为39的标签即buick verano。

修改caffe配置

   caffe默认只支持单标签的分类，为此我们需要修改配置。此时我们需要将caffe中默认的convert_imageset.cpp删除，并将github中的convert_

multilabel.cpp以及car_multi/data/classification_multilabel.cpp放置在caffe的tools文件夹中，然后重新编译环境

使用如下命令行重新编译环境：

make clean
make all
make test 
make pycaffe
make runtest