caffe学习笔记12：训练和测试自己的图片

参考原文：http://www.cnblogs.com/denny402/p/5083300.html
学习caffe的目的，不是简单的做几个练习，最终还是要用到自己的实际项目或科研中。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试模型的整个流程。
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，原因主要是数据太大了。。。

我在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，可到这里下载：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

具体的转换过程，可参见我的前一篇博文：caffe学习笔记11：图像转换成db（leveldb或lmdb）文件

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   #指定寻找的目标位置
DATA=data/re/       #类似定义宏变量
MY=examples/myfile  #方便取地址

echo "Create train.txt..."
rm -rf $MY/train.txt   #删除旧的文档
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
#cut截取地址 sed 添加类别 find寻找文件 
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"

然后，运行此脚本

# sudo 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。

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

$ sudo gedit examples/myfile/create_lmdb.sh

插入：
note：转变数据格式，太大了需要的数据量太大，后期我在实验中发现大的数据和小的数据对于训练结果影响不大。

#!/usr/bin/env sh       #寻找sh可执行目标
MY=examples/myfile      #简化地址

echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \    #系统自带的工具
--shuffle \                       #打乱顺序
--resize_height=256 \      #转变为32位极大减轻了cpu的工作负担
--resize_width=256 \
/home/mwp/caffe/data/re/ \    #修改自己的数据
$MY/train.txt \
$MY/img_train_lmdb

echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/mwp/caffe/data/re/ \    #勿忘修改
$MY/test.txt \
$MY/img_test_lmdb

echo "All Done.."

因为图片大小不一，因此统一转换成256*256大小。
执行下面这个命令，运行脚本文件：

$ sudo sh examples/myfile/create_lmdb.sh

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

由于在32*32位框架中，cifar-10有现成的学习框架，我们只需要进行一些关键数据的改写就可以快速的训练进行我们的训练了，以下时详细的说明。
首先拷贝文件。

# sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
# sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

接着进行修改里面的一些文件。

# 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

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。
实际上这个例子选的样本不太好，没有4g以上的gpu很难运行，动不动就out of memory了。但是，其中的步骤是可以一步步理解的，建议换jaffe数据集