l 准备训练数据流程如下
整理分类好的图片normal,idel,crowd各n张图片
用脚本生成好label.txt标签文件,格式如下(文件名+空格+标签)
把所有图片放在一个目录下后cd到执行如下命令
convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME
其中DB_NAME后面还可以跟一些可选的参数设置,具体有哪些可选的参数参见“可选参数设置部分”
其中ROOTFOLDER为图像集的根目录
LISTFILE 为一个文件的路径,该文件中记录了图像集中的各图样的路径和相应的标注
DB_NAME为要生成的数据库的名字
例:convert_imageset C:\\data\\pics_test\\ c:\\matchdata\\test.txt c:\\ data\\test_lmdb --gray=false--resize_width=32 --resize_height=32
这样就在指定目录下生成了 训练数据文件
生成验证集文件同上
生成均值文件
cd到执行如下命令
compute_image_mean[FLAGS] INPUT_DB [OUTPUT_FILE]\n”)
参数:INPUT_DB: 数据库
参数(可选):OUTPUT_FILE: 输出文件名,不提供的话,不保存平均图像blob
例:compute_image_mean C:/matchdata/train_lmdbC:/matchdata/train_lmdb/mean.binaryproto
准备好solver超参文件,train_val模型文件,文件内容涉及相关路径的需要做相应替换
cd到执行如下命令
caffe train -solver C:/caffe/cifar10/ solver.prototxt
如果是用现有参数微调则还需要准备相应的.caffemodel文件
执行caffe train -solver C:/caffe/cifar10/ solver.prototxt
-weights C:/caffe/cifar10/test.caffemodel
l 测试模型
cd到执行如下命令
classification \
models/bvlc_reference_caffenet/deploy.prototxt\
models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel \
data/ilsvrc12/imagenet_mean.binaryproto \
data/ilsvrc12/synset_words.txt \
examples/images/cat.jpg
其中deploy.prototxt 是根据train_val.protxt改写而成(例http://blog.csdn.net/u014381600/article/details/54318141),caffemodel文件是训练生成的参数文件,synset_words.txt为标签文件,cat.jpg为测试图片