Caffe学习(3):训练自己的数据

为了完成毕业设计，还需要继续学习Caffe，并能够成功地训练自己的实验数据，这里整理Caffe整个训练过程。
使用Caffe训练卷积神经网络主要包括以下几个步骤：（1）预处理图像，一般是指将图像转化为具有同样大小的像素；（2）根据设计好的网络结构配置相应的网络结构文件和训练参数文件；（3）训练模型并测试结果；（4）可视化结果（如果需要）。

1.准备数据

对于图像分类而言，去ImageNet官网去下载比赛数据。但是不禁吐槽一下宿舍的网速慢的可以，真要下的话，我恐怕就要等到老掉牙了。我最后选择从自己的实验数据中抽取两类200张左右图片作为数据源。
训练数据与测试数据放在的位置是随意的，但是Caffe已经为我们安排好了文件结构，这些数据都放在../data/yourfolder/train和../data/yourfolder/test下，所以我还是规规矩矩的这样做了。

自己的数据源
123456
我参考博客的博主整理的数据源的百度云网址
http://pan.baidu.com/s/1nuqlTnN

2.图像预处理

Caffe的训练数据可以来自数据库文件leveldb和lmdb以及图片，对于Caffe数据层以及参数的介绍可以进一步参考博客 http://www.cnblogs.com/denny402/p/5070928.html
有人做过实验，说使用lmdb的读取速度比leveldb快，这里我选取lmdb实验。进一步去做的是就生成带有图片标签的train和test文件。

(1)生成标签文件

首先在examples下创建jd2文件夹,并进一步编写shell文件生成train.txt和test.txt

mkdir examples/jd2

gedit examples/jd2/create_filelist.sh

create_filelist.sh的文件内容如下：

#!/usr/bin/env sh
DATA=data/jd2/
MY=examples/jd2

rm -rf $MY/train.txt
for i in 0 1
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done

rm -rf $MY/test.txt
for i in 0 1
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done

对于图片转化为leveldb和lmdb的方法，请参考博客http://www.cnblogs.com/denny402/p/5082341.html

• 这里建议标签都从0开始，这样可以避免内存溢出的问题，否则你就需要按你最大的标签来写分类数。比如3，4，7，分类数字就要写成8

• 如果shell知识不太懂，建议先简略看一下

运行shell文件，sh examples/jd2/create_filelist.sh,生成文件像下面：
9090

(2)转化lmdb

首先编写shell文件

gedit examples/jd2/create_lmdb.sh

#!/usr/bin/env sh
MY=examples/jd2

rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/whutwf/caffe/data/jd2/ \
$MY/train.txt \
$MY/img_train_lmdb

rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/whutwf/caffe/data/jd2/ \
$MY/test.txt \
$MY/img_test_lmdb

运行shell文件生成连个文件夹img_train_lmdb和img_test_lmdb

• 在转化lmdb的时候，控制端会显示处理图像的个数，好像在window下是显示图像大小。但是如果出现处理文件为0的情况，可能是因为train.txt和test.txt文件有问题，文件名与标签之间应该是空格而不是别的。

(3)生成均值文件

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。
首先创建shell文件

#!/usr/bin/env sh
# create_mean.sh

build/tools/compute_image_mean examples/jd2/img_train_lmdb examples/jd2/mean.binaryproto

3.创建模型

Caffe有现有的网络文件，我们可以使用，也可以去github寻找自己适合的网络文件。

cp models/bvlc_reference_caffenet/solver.prototxt examples/jd2/
cp models/bvlc_reference_caffenet/train_val.prototxt examples/jd2/

修改solver.prototxt文件

net: "examples/jd2/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: CPU #我使用的是CPU模式

对于train_val.prototxt只需修改文件路径和分类个数

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "examples/jd2/mean.binaryproto"
  }
  data_param {
    source: "examples/jd2/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/jd2/mean.binaryproto"
  }
  data_param {
    source: "examples/jd2/img_test_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
······
······
······

创建shell文件并运行（训练数据）

#!/usr/bin/env sh
# train.sh

build/tools/caffe train -solver examples/myfile/solver.prototxt

对于solver.prototxt配置请参考
http://www.cnblogs.com/denny402/p/5074049.html

参考文献:
[1]denny的学习专栏-Caffe学习系列(12)：训练和测试自己的图片
[2]薛开宇学习笔记