Caffe学习：从头到尾跑一遍模型的训练和测试

最新推荐文章于 2022-05-08 22:15:07 发布

持久决心

最新推荐文章于 2022-05-08 22:15:07 发布

阅读量1w

点赞数 9

分类专栏： caffe 文章标签： caffe 模型训练测试

本文链接：https://blog.csdn.net/u013832707/article/details/52943935

版权

caffe 专栏收录该内容

11 篇文章 0 订阅

订阅专栏

最近开始学习caffe，最开始应该是因为自己急功近利，想直接用caffe模型达到自己的目的，感觉有点无从下手。现在不得不踏实下来，扎实的一步步学习。看了大牛徐其华随笔分类 - caffe系列教程，收获颇丰。在这里记录下自己学习训练和测试模型的过程，可以说相关知识是完全来自Caffe学习系列(12)：训练和测试自己的图片，只是记录一下自己实践中的问题和感悟。
在这里，再次对乐于分享的博主徐其华表示衷心的感谢，谢谢^_^！

原文如下（有更改）：

一、准备数据

有条件的同学，可以去imagenet的官网http://www.image-net.org/download-images，下载imagenet图片来训练。但是我没有下载，一个原因是注册账号的时候，验证码始终出不来（听说是google网站的验证码，而我是上不了google的）。第二个原因是数据太大了。。。

我去网上找了一些其它的图片来代替，共有500张图片，分为大巴车、恐龙、大象、鲜花和马五个类，每个类100张。需要的同学，可到我的网盘下载：http://pan.baidu.com/s/1nuqlTnN

编号分别以3，4，5，6，7开头，各为一类。我从其中每类选出20张作为测试，其余80张作为训练。因此最终训练图片400张，测试图片100张，共5类。我将图片放在caffe根目录下的data文件夹下面。即训练图片目录：data/re/train/> ,测试图片目录: data/re/test/

二、转换为lmdb格式

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

编辑此文件，写入如下代码，并保存

#!/usr/bin/env sh
DATA=data/re/
MY=examples/myfile

echo "Creating train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Done."

echo "Creating 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."

然后，运行此脚本（注意是在caffe根目录下）

sh examples/myfile/create_filelist.sh

成功的话，就会在examples/myfile/ 文件夹下生成train.txt和test.txt两个文本文件，里面就是图片的列表清单。

接着再编写一个脚本文件，调用convert_imageset命令来转换数据格式。

# sudo vi examples/myfile/create_lmdb.sh

插入：

#!/usr/bin/env sh
MY=examples/myfile

echo "Creating train lmdb..."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/gph/Desktop/caffe_cmake/caffe-master/data/re/ \
$MY/train.txt \
$MY/img_train_lmdb
echo "Done."

echo "Creating test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/gph/Desktop/caffe_cmake/caffe-master/data/re/ \
$MY/test.txt \
$MY/img_test_lmdb
echo "All Done."

因为图片大小不一，因此我统一转换成256*256大小。运行成功后，会在
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。

三、计算均值并保存

图片减去均值再训练，会提高训练速度和精度。因此，一般都会有这个操作。
caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了

# sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto

compute_image_mean带两个参数，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。

四、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/

修改其中的solver.prototxt

# sudo vi examples/myfile/solver.prototxt

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
snapshot: 200
snapshot_prefix: "examples/myfile/minemodel"

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。

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
  }
}
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。

五、训练和测试

如果前面都没有问题，数据准备好了，配置文件也配置好了，这一步就比较简单了。

# sudo build/tools/caffe train -solver examples/myfile/solver.prototxt

运行时间和最后的精确度，会根据机器配置，参数设置的不同而不同。我的是gpu+cudnn运行500次，大约8分钟，精度为95%。

遇到的问题：

一、GPU显存不够

按照楼主的设置跑的话，很有可能会出现如下错误：

Check failed: error == cudaSuccess (2 vs. 0) out of memory

这就是显存不够的原因。修改train_val.prototxt中train层和test层中的batch_size为1（最小了，也可以适当改大点看看极限。楼主先是50不行，改成1了，写博客实验时发现改成50又行了。。。很是奇怪），对应的solver.prototxt中的test_iter改为100，进行测试。

二、没有.caffemodel模型出来

原博客solver.prototxt末尾将

snapshot: 200
snapshot_prefix: "examples/myfile/minemodel"

这两句话删除了，就不会生成训练好的模型。加上这两句，就会再examples/myfile/路径下生成minemodel_iter_200.caffemodel,minemodel_iter_200.solverstate等一系列文件。这两句话的作用就很明显了。

三、正确率

博主进行了多次实验，结果如下：

batch_size 4:
I1027 08:55:05.108747  3620 solver.cpp:317] Iteration 500, loss = 1.07896
I1027 08:55:05.108803  3620 solver.cpp:337] Iteration 500, Testing net (#0)
I1027 08:55:06.499388  3620 solver.cpp:404]     Test net output #0: accuracy = 0.66
I1027 08:55:06.499451  3620 solver.cpp:404]     Test net output #1: loss = 0.878872 (* 1 = 0.878872 loss)
I1027 08:55:06.499477  3620 solver.cpp:322] Optimization Done.
I1027 08:55:06.499495  3620 caffe.cpp:254] Optimization Done.

batch_size 25:
I1027 09:10:17.994113  3691 solver.cpp:317] Iteration 500, loss = 0.213029
I1027 09:10:17.994165  3691 solver.cpp:337] Iteration 500, Testing net (#0)
I1027 09:10:18.840204  3691 solver.cpp:404]     Test net output #0: accuracy = 0.92
I1027 09:10:18.840255  3691 solver.cpp:404]     Test net output #1: loss = 0.226978 (* 1 = 0.226978 loss)
I1027 09:10:18.840271  3691 solver.cpp:322] Optimization Done.
I1027 09:10:18.840282  3691 caffe.cpp:254] Optimization Done.

batch_size 40:
I1027 09:25:46.159993  3747 solver.cpp:317] Iteration 500, loss = 0.0773205
I1027 09:25:46.160049  3747 solver.cpp:337] Iteration 500, Testing net (#0)
I1027 09:25:47.182668  3747 solver.cpp:404]     Test net output #0: accuracy = 0.933333
I1027 09:25:47.182724  3747 solver.cpp:404]     Test net output #1: loss = 0.216487 (* 1 = 0.216487 loss)
I1027 09:25:47.182741  3747 solver.cpp:322] Optimization Done.
I1027 09:25:47.182752  3747 caffe.cpp:254] Optimization Done.

batch_size 50:
I1027 11:02:35.578799  6155 solver.cpp:317] Iteration 500, loss = 0.11367
I1027 11:02:35.578866  6155 solver.cpp:337] Iteration 500, Testing net (#0)
I1027 11:02:36.411149  6155 solver.cpp:404]     Test net output #0: accuracy = 0.95
I1027 11:02:36.411223  6155 solver.cpp:404]     Test net output #1: loss = 0.176876 (* 1 = 0.176876 loss)
I1027 11:02:36.411248  6155 solver.cpp:322] Optimization Done.
I1027 11:02:36.411267  6155 caffe.cpp:254] Optimization Done.

这里我明白了caffe学习之路任长道远啊。

持久决心

关注

9
点赞
踩
28

收藏

觉得还不错? 一键收藏
6
评论
Caffe学习：从头到尾跑一遍模型的训练和测试

最近开始学习caffe，最开始应该是因为自己急功近利，想直接用caffe模型达到自己的目的，感觉有点无从下手。现在不得不踏实下来，扎实的一步步学习。看了大牛徐其华随笔分类 - caffe系列教程，收获颇丰。在这里记录下自己学习训练和测试模型的过程，可以说相关知识是完全来自Caffe学习系列(12)：训练和测试自己的图片，只是记录一下自己实践中的问题和感悟。在这里，再次对乐于分享的博主徐其华表示衷
复制链接

扫一扫