用自己的图像数据训练模型

转载博客：https://blog.csdn.net/AlexQiweek/article/details/51281240  

其中做了一些添加，亲测有效，可以生成.caffemodel模型

1.数据准备

在caffe/data下新建目录myself，并在myself里又新建两个目录train、val。

 

注意：图片的格式必须为.jpeg格式

train存放训练用的数据源；该目录下又两个目录bird(70张图)、cat(70张图)

 

val存放用于测试的数据源；bird和cat各20张图

 

在终端下切换到caffe/data/myself目录下，利用上面的数据源生成train.txt、val.txt、test.txt。

test.txt的内容和val.txt相同，只是没有后面的数字标识。

生成val.txt的命令：find  -name *.jpeg |grep -v train | cut -d/ -f3>val.txt

 

生成train.txt的命令：find  -name *.jpeg |grep  train | cut -d/ -f3-4 > train.txt；但由于bird和cat的图片需要通过在后面添加不同的数字区分开来，因此还需命令：sed -i '1,70s/.*/&  0/' train.txt和sed -i'71,141s/.*/&  1/' train.txt

2创建数据库

在caffe/example目录下新建目录myself。并将caffe/examples/imagenet目录下create_imagenet.sh文件拷贝到myself中。

create_imagenet.sh的内容如下：

第5行的EXAMPLE指定生成的数据库文件存放路径。

第6行的DATA指定生成数据库所需文件来源路径。

第9行的TRAIN_DATA_ROOT指明存放训练数据的绝对路径。

第10行的VAL_DATA_ROOT指明存放测试数据的绝对路径。TRAIN_DATA_ROOT和VAL_DATA_ROOT写错了，就会报一堆找不到图片的错误。

第12行到21行用于将图片调节成统一大小，256X256。

 

第45、55行指定生成的数据库文件夹的名称。

在caffe的主目录下输了命令./examples/myself/create_imagenet.sh就会在create_imagenet.sh中的EXAMPLE所指定的目录下(此次为example/myself)生成两个数据库文件。

 

3训练网络【使用CaffeNet网络进行训练的时间可能比LeNet网络用的时间多,本次实验使用的网络是CaffeNet】

①  拷贝models/bvlc_alexnet目录下的train_val.prototxt文件到example/myself目录下。

该文件的定义的为待训练网络的结构。

 

②拷贝models/bvlc_alexnet目录下的solver.prototxt文件到example/myself目录下。

该文件为训练网络时的所需的一些配置和设置

第1行指定定义网络结构的文件的相对路径。

其中，我是使用GPU来训练的，这样速度会比较快。即将slover_mode:GPU

③  拷贝examples/imagenet目录下的make_imagenet_mean.sh文件到examples/myself目录下。用于计算图像均值，使用的源文件在/tools/compute_image_mean.cpp。

 

此处，需要先运行一下make_imagenet_mean.sh，生成的.binaryproto将放在DATA里面。

④  拷贝examples/imagenet目录下的train_caffenet.sh文件到example/myself目录下。

该文件为一个脚本文件，内容为训练网络的命令

 

在caffe的主目录下输入命令：./ examples/myself/train_caffenet.sh开始训练网络

一般如果提示错误的话，大多都是路径错误，再返回源文件检查一下路径是否正确。

最后w的运行结果图如下：