学习 Linux 下使用 caffe 进行模型训练（二）

前言

距离环境完成环境配置已经过去一个月了，这一个月内从整理数据、模型训练到最后结果分析，完成了一整个 yolo 识别的流程，因此把这个作为一个节点，来记录一下 caffe 模型训练过程，关于结果分析下一篇再细说~。

前期准备

一、网络选择

上一篇 学习 Linux 下使用 caffe 进行模型训练（一） 中，只是说明了对 caffe 源码的编译过程，由于 caffe 的特殊性，需要提前编译好你所用到的 layer，因此如果使用官方的 caffe 源码去实现其他的网络，往往会出现需要的 layer 不存在的情况（例如 yolo v2 中的 reorg 层），导致后续工作无法进行。因此，当选择好要实现的网络后，应当首先看一下是否所有的 layer 都是存在的，如果不存在则自己重新编译一下需要的 layer 即可。

本次使用的 yolo v3 网络在 github 上已经有很多大牛做了 caffe 实现，因此我下载了源码然后重新编译了一版。

Github 下载链接：https://github.com/eric612/MobileNet-YOLO

Ps: 之后的操作都是基于该版本的 caffe 而非前文提到的原生 caffe，因为除了 layer 之外，为了数据的生成等操作，这位大牛还编写了一些脚本供大家使用，因此推荐根据具体的任务编译具体的 caffe 。

二、文件结构

这里是我个人的爱好，有的人喜欢直接在编译好的 caffe 中，增加或删除一些东西，确实很方便，但是多个网络的模型、数据等混在一起，不利于后续的维护与修改。所以我按照如下结构构建了文件夹，使后续训练更为清晰。

./yoloProject
    ├─ datasets				# 用于存放需要的数据
    |	├─ JPEGImages		# 训练集与验证集图片
    |	├─ Annotations		<