linux测试教程 怎样学,训练和测试自己的图片 - Caffe 深度学习入门教程_Linux教程_Linux公社-Linux系统门户网站...

训练和测试自己的图片

学习caffe的目的，不是简单的做几个练习，最终还是要用到自己的实际项目或科研中。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试模型的整个流程。

一、准备数据

有条件的同学，可以去imagenet的官网http://www.image-net.org/download-images，下载imagenet图片来训练。但是我没有下载，一个原因是注册账号的时候，验证码始终出不来(听说是google网站的验证码，而我是上不了google的)。第二个原因是数据太大了。。。

我去网上找了一些其它的图片来代替，共有500张图片，分为大巴车、恐龙、大象、鲜花和马五个类，每个类100张。需要的同学，可到Linux公社1号FTP服务器下载

------------------------------------------分割线------------------------------------------

用户名：ftp1.linuxidc.com

密码：www.linuxidc.com

在 2016年LinuxIDC.com\11月\Caffe 深度学习入门教程\

------------------------------------------分割线------------------------------------------

编号分别以3，4，5，6，7开头，各为一类。我从其中每类选出20张作为测试，其余80张作为训练。因此最终训练图片400张，测试图片100张，共5类。我将图片放在caffe根目录下的data文件夹下面。即训练图片目录：data/re/train/ ,测试图片目录: data/re/test/

二、转换为lmdb格式

首先，在examples下面创建一个myfile的文件夹，来用存放配置文件和脚本文件。然后编写一个脚本create_filelist.sh，用来生成train.txt和test.txt清单文件

#sudo mkdir examples/myfile#sudo vi examples/myfile/create_filelist.sh

编辑此文件，写入如下代码，并保存

#!/usr/bin/env sh

DATA=data/re/MY=examples/myfile

echo"Create train.txt..."rm-rf $MY/train.txtfor i in 3 4 5 6 7do

find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt

done

echo"Create test.txt..."rm-rf $MY/test.txtfor i in 3 4 5 6 7do

find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt

done

echo"All done"

然后，运行此脚本

#sudo sh examples/myfile/create_filelist.sh

成功的话，就会在examples/myfile/ 文件夹下生成train.txt和test.txt两个文本文件，里面就是图片的列表清单。

接着再编写一个脚本文件，调用convert_imageset命令来转换数据格式。

#sudo vi examples/myfile/create_lmdb.sh

插入：

#!/usr/bin/env sh

MY=examples/myfile

echo"Create train lmdb.."rm-rf $MY/img_train_lmdb

build/tools/convert_imageset--shuffle--resize_height=256--resize_width=256/home/xxx/caffe/data/re/$MY/train.txt $MY/img_train_lmdb

echo"Create test lmdb.."rm-rf $MY/img_test_lmdb

build/tools/convert_imageset--shuffle--resize_width=256--resize_height=256/home/xxx/caffe/data/re/$MY/test.txt $MY/img_test_lmdb

echo"All Done.."

因为图片大小不一，因此我统一转换成256*256大小。运行成功后，会在 examples/myfile下面生成两个文件夹img_train_lmdb和img_test_lmdb，分别用于保存图片转换后的lmdb文件。

三、计算均值并保存

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。

caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了

#sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto

compute_image_mean带两个参数，第一个参数是lmdb训练数据位置，第二个参数设定均值文件的名字及保存路径。

运行成功后，会在 examples/myfile/ 下面生成一个mean.binaryproto的均值文件。

四、创建模型并编写配置文件

模型就用程序自带的caffenet模型，位置在 models/bvlc_reference_caffenet/文件夹下, 将需要的两个配置文件，复制到myfile文件夹内

#sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/#sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

修改其中的solver.prototxt

#sudo vi examples/myfile/solver.prototxt

net: "examples/myfile/train_val.prototxt"test_iter:2test_interval:50base_lr:0.001lr_policy:"step"gamma:0.1stepsize:100display:20max_iter:500momentum:0.9weight_decay:0.005solver_mode: GPU

100个测试数据，batch_size为50，因此test_iter设置为2，就能全cover了。在训练过程中，调整学习率，逐步变小。

修改train_val.protxt，只需要修改两个阶段的data层就可以了，其它可以不用管。

name: "CaffeNet"layer {

name:"data"type:"Data"top:"data"top:"label"include {

phase: TRAIN

}

transform_param {

mirror: true

crop_size:227mean_file:"examples/myfile/mean.binaryproto"}

data_param {

source:"examples/myfile/img_train_lmdb"batch_size:256backend: LMDB

}

}

layer {

name:"data"type:"Data"top:"data"top:"label"include {

phase: TEST

}

transform_param {

mirror: false

crop_size:227mean_file:"examples/myfile/mean.binaryproto"}

data_param {

source:"examples/myfile/img_test_lmdb"batch_size:50backend: LMDB

}

}

实际上就是修改两个data layer的mean_file和source这两个地方，其它都没有变化 。

五、训练和测试

如果前面都没有问题，数据准备好了，配置文件也配置好了，这一步就比较简单了。

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

运行时间和最后的精确度，会根据机器配置，参数设置的不同而不同。我的是gpu+cudnn运行500次，大约8分钟，精度为95%。