[人脸识别]使用VGG Face Model微调（Fine tune）自己的数据集

关键词：人脸识别、Caffe、VGG Face Model

一、准备数据集

  对于一个未经加工的数据集，基本情况如下图所示

  图中每一个文件夹内是该类别的所有图像。我们需要对每一类划分训练集与测试集。这里可以写个脚本进行划分，训练集与测试集的比例自己把握，一般来说是训练集：测试集=4：1。
  需要注意的是，最终只需要生成两个文件夹：train与val。train文件夹中包含所有训练图片，换句话说，就是把所有训练图片都放在一个文件夹内。val同理。
  我们在使用脚本划分数据集时，同时需要新建两个文本：train.txt与val.txt，用来记录训练集与测试集中图片名称，以及类别。如下图所示：

  需要注意的非常重要的一点是，train.txt和val.txt中的名称与类别中间分隔符是一个空格，其次，类别号要从0开始，否则后续处理会出现错误。

二、数据处理

  经过上一步后，我们会得到两个文件夹：train与val、以及相对应的train.txt和val.txt。
  接下来，我们需要将上述数据集处理成caffe能读取的数据格式LMDB。这部分有标准的处理脚本。

#!/usr/bin/env sh
# Create the imagenet lmdb inputs
# N.B. set the path to the imagenet train + val data dirs

EXAMPLE=    #修改
DATA=       #修改
TOOLS=      #修改

TRAIN_DATA_ROOT=$DATA/train/
VAL_DATA_ROOT=$DATA/val/
DBTYPE=lmdb

# Set RESIZE=true to resize the images to 224×224. Leave as false if images have
# already been resized using another tool.
RESIZE=true
if $RESIZE; then
  RESIZE_HEIGHT=224
  RESIZE_WIDTH=224
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 "Computing image mean..."
$TOOLS/compute_image_mean -backend=$DBTYPE \
  $EXAMPLE/train_lmdb $EXAMPLE/mean.binaryproto

echo "Done."

  你需要更改的地方有：
  1.EXAMPLE后面的路径，尽量设置为第一步中的train与test文件夹的父路径；
  2.DATA为第一步中的train与test文件夹的父路径；
  3.TOOLS的标准格式为：（caffe路径）/build/tools；
  4.TRAIN_DATA_ROOT与VAL_DATA_ROOT不需要改变，分别对应train与val文件夹的路径。
  其他参数的意义解释可参考：http://www.cnblogs.com/dupuleng/articles/4370236.html
  确保上述路径设置正确后，便可将脚本拖入终端运行。
  运行完成后，在你设置的EXAMPLE路径中会产生train_lmdb与val_lmdb两个文件夹，以及mean.binaryproto文件。

三、caffe训练相关配置文件修改

  下载VGG Face Model，并解压，移动到（caffe路径）/models中：

  接下来，我们需要修改vgg_face_caffe中的VGG_FACE_deploy.prototxt 文件，推荐你直接复制下面的文件

name: "VGG_FACE_16_Net"
layer {
  name: "data"
  type: "Data"  #这里注意
  top: "data"
  top: "label"
  data_param {
    source: "$/train_lmdb"   #这里修改
    backend:LMDB
    batch_size: 100   #这里修改
  }
  transform_param {
     mean_file: "$/mean.binaryproto"   #这里修改
     mirror: true
  }
  include: { phase: TRAIN }
}

layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  data_param {
    source: "$/val_lmdb"  #这里修改
    backend:LMDB
    batch_size: 25   #这里修改
  }
  transform_param {
    mean_file: "$/mean.binaryproto"   #这里修改
    mirror: true
  }
  include: { 
    phase: TEST 
  }
}
layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "data"
  top: "conv1_