caffe训练流程

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