windows下 用caffe做图像训练和测试

windows下使用 caffe 做图像训练和测试

①数据准备 目录caffe-master/data/inc

train文件夹（五类图片各80张，并编号） val文件夹（五类图片各20张，编号）

数据源： http://download.csdn.net/detail/hit2015spring/9704947 下载的图像是384*256的 如果用ACDsee5.0可以直接改变图片大小 256*256

②生成图片标签文件

批量生成图片标签：cmd命令 打开到图片目录下，输入dir/s/on/b>d:train.txt          dir/s/on/b>d:val.txt 可在d盘下生成两个txt文件

把那两个txt文件移到data/inc下，修改txt文件内容里面的路径 

\val\val_dinosar\402.jpg 1

\val\val_dinosar\402.jpg 0

\val\val_dinosar\402.jpg 2

③生成lmdb文件： /examples/imagenet下复制 create_imagenet.sh文件到data/inc，修改里面的路径设置

EXAMPLE=D:\caffe-master\data\inc

DATA=D:\caffe-master\data\inc

TOOLS=D:\caffe-master\Build\x64\Release

TRAIN_DATA_ROOT=D:\caffe-master\data\inc\train

VAL_DATA_ROOT=D:\caffe-master\data\inc\test

GLOG_logtostderr=1 $TOOLS/convert_imageset \

    --resize_height=$RESIZE_HEIGHT \

    --resize_width=$RESIZE_WIDTH \

    --shuffle \

    $TRAIN_DATA_ROOT \

    $DATA/train.txt \

    inc_train_lmdb 1

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \

    --resize_height=$RESIZE_HEIGHT \

    --resize_width=$RESIZE_WIDTH \

    --shuffle \

    $VAL_DATA_ROOT \

    $DATA/test.txt \

    inc_val_lmdb

d盘下双击运行.bat文件：convertinc2trainldb.bat

SET GLOG_logtostderr=1

.\Build\x64\Release\convert_imageset.exe D:\caffe-master\data\inc D:\caffe-master\data\inc\train.txt D:\caffe-master\data\inc\trainldb

pause

最后在data/inc下生成trainldb valldb文件夹

③生成均值文件，数据预处理

从 examples/imagenet/ 拷贝 make_imagenet_mean.sh文件到data/inc 文件夹下

修改路径

EXAMPLE=D:\caffe-master\data\inc

DATA=D:\caffe-master\data\inc

TOOLS=D:\caffe-master\Build\x64\Release

$TOOLS/compute_image_mean $EXAMPLE/ilsvrc12_train_lmdb \

  $DATA/imagenet_mean.binaryproto

echo "Done."

d盘下双击运行.bat文件：

SET GLOG_logtostderr=1

.\Build\x64\Release\compute_image_mean.exe --backend lmdb  D:\caffe-master\data\inc\valldb D:\caffe-master\data\inc\val_mean.binaryproto

pause

运行后在data/inc目录下生产binary.proto 均值文件

---------------------------------------------------------------------此处是图像数据处理完成的分界线-----------------------------------------------------------------------------

利用imagenet的网络模型进行训练和测试

①网络模型的设置，这个imagent的深度网络模型大概有23层，

复制models/bvlc_reference_caffenet/train_val.prototxt到caffe/myself文件夹，

修改路径，批次处理数量

 mean_file: "data/inc/train_mean.binaryproto"

data_param {

    source: "data/inc/trainldb"

    batch_size: 5

    backend: LMDB

  }

}

layer {

  name: "data"

  type: "Data"

  top: "data"

  top: "label"

  include {

    phase: TEST

  }

 transform_param {

    mirror: false

    crop_size: 227

    mean_file: "data/inc/val_mean.binaryproto"

  }

# mean pixel / channel-wise mean instead of mean image

#  transform_param {

#    crop_size: 227

#    mean_value: 104

#    mean_value: 117

#    mean_value: 123

#    mirror: false

#  }

  data_param {

    source: "data/inc/valldb"

    batch_size: 5

    backend: LMDB

② 复制models/bvlc_reference_caffenet/solver.prototxt到data/inc

修改适合自己训练的solver.prototxt内文件的参数

net: "data/inc/train_val.prototxt"    ----深度网络模型所在的路径

test_iter: 20                         ----

test_interval: 500                  

base_lr: 0.0001       

lr_policy: "step"

gamma: 0.1

stepsize: 100000

display: 20

max_iter: 20000

momentum: 0.9

weight_decay: 0.0005

snapshot: 2000

snapshot_prefix: "data/inc"

solver_mode: CPU

③训练 D盘下双击.bat文件 

SET GLOG_logtostderr=1

.\Build\x64\Release\caffe.exe train --solver=data/inc/solver.prototxt

pause

参考文章：

http://www.cnblogs.com/xujianqing/p/6143070.html

http://blog.csdn.net/zr459927180/article/details/51001536