集群展示项目

一、数据集生成

1.1 环境路径：

caffe的工作空间路径在:/home/zhengyuan/zzyStdFileStructure/03_WorkSpaces/01_CaffeWorkSpace/caffe

opencv的路径在：/opt/ros/kinetic/share/OpenCV-3.3.1-dev

 (含OpenCVConfig.cmake都可用)[https://blog.csdn.net/wphkadn/article/details/83064623]

1.2 依赖库安装编译

1.2.1 先编译keyboard

cd dataprocess
catkin_make -DCATKIN_WHITELIST_PACKAGES=ros-keyboard

1.2.2 编译camera_ws

sudo apt install ros-kinetic-catkin
source /opt/ros/kinetic/setup.bash
source ~/install/setup.bash [这里面是自定义的头文件mavros_msgs]
catkin_make -DCATKIN_WHITELIST_PACKAGES=camera_ws

1.3 将rosbag转成avi

./01_specifyVideoParam.sh  
#打开image_pub.cpp  修改图片大小参数 订阅的话题是否正确
#rostopic echo（打印实时消息内容，确定图片大小） info type(话题类型)
#重新编译image_pub.cpp
./02_refreshCPP.sh
#打开roscore
./roscore.sh
#开始转换
./03_rosbag2avi.sh

rostopic list 显示活动的话题目录
rostopic echo [话题名称] 实时显示指定话题的消息内容
rostopic find [类型名称] 显示使用指定类型的消息的话题
rostopic type [话题名称] 显示指定话题的消息类型
rostopic bw [话题名称] 显示指定话题的消息带宽（bandwidth）
rostopic hz [话题名称] 显示指定话题的消息数据发布周期
rostopic info [话题名称] 显示指定话题的信息
rostopic pub [话题名称] [消息类型] [参数] 用指定的话题名称发布消息

1.4 将avi进行显著性算法处理

cd ~/cifarv4.0
./ftSaliencyDetection2 ×××.avi[生成的目标avi]
#生成的图片在0`9号文件夹里
#识别框架是caffe,使用更好的网络参数

# rosbag info ×××.bag 获取bag参数信息
#ftSaliencyDetection2.cpp中184行为模型架构
#187行到188行，为模型参数
#
#重新编译ftSaliencyDetection2
#先修改cmakecache.txt相关路径
cd build
cmake ..
cd ..
make

#可学习的点在于如何在cmakelists 和 makefile 里边构建编译的链接库

二、训练模型Sample_Base

在samplebase_cifar/tool下
** 图片的80%做训练集，10%做验证集，10%做测试集

2.1 生成训练集

1. 修改generate_image_index_input_train.txt：

• 直接在图片的文件夹下找txt
• 指定图片存放位置 trainSrcPic下
• 描述类别的子类，确定训练图片的数量，修改图片路径
• 根据训练图片的种类，确定txt的类型的内容

2. 01_generate_image_index.py：

• python 01_generate_image_index.py generate_image_index_input_train.txt
• 在同一级目录下生成 ** ‘image_index_’ + datetime.datetime.now().strftime(‘%Y-%m-%d-%H%M’) + ‘.txt’ **的图片txt文件，假设为train.txt

3. 02_addFlag2Index.py：

• python 02_addFlag2Index.py train.txt
• 在同一目录下生成带标签的txt, train_label.txt

二、生成测试集

1. 修改generate_image_index_input_test.txt

• 指定图片存放位置 trainSrcPic下
• 描述类别的子类，确定测试图片的数量

2.01_generate_image_index.py：

• python 01_generate_image_index.py generate_image_index_input_test.txt
• 在同一级目录下生成 ** ‘image_index_’ + datetime.datetime.now().strftime(‘%Y-%m-%d-%H%M’) + ‘.txt’ **的图片txt文件，假设为test.txt

3. 02_addFlag2Index.py：

• python 02_addFlag2Index.py test.txt
• 在同一目录下生成带标签的txt, test_label.txt

三、生成caffe所需数据类型lmdb

1. 修改 03_create_lmdb.sh

• 寻找caffe所在位置CAFFE_ROOT，对路径进行修改
• 寻找 train_label.txt test_label.txt的路径，修改路径
• bash 03_create_lmdb.sh 这里面用到的是带标签的txt
• 这里可能找不到caffe相关安装包，要在caffe下重新编译；

mkdir build 
cd build
cmake ..
make all
make install

• 在tool同一级的lmdb_meanFile 下生成img_train_lmdb和img_test_lmdb

2. 修改04_compute_mean.sh 获得均值文件

• TOOLS :caffe的安装路径在哪里，要找到并修改，使用caffe自带的tool/compute_image_mean 放在build/tools下的可执行文件

3. 修改tool/trainFIle_pack的超参数

• net 找不到了，在tool同级的weightFile中；使用最新的2021caffemodel
• cifar10_quick_solver.prototxt对应的snapshot前缀以及相应的超参数 也找不到了

四、开始训练

• bash 05_train.sh 修改路径
• sudo build/tools/caffe train -solver [cifar10_quick_solver.prototxt的绝对路径]
• 过程模型参数存在weightFile下

测试模型

• testSampleBase 的readme.txt 文件

生成测试集

1. /home/zhengyuan/testSampleBase_cifar/tool/00_1_test_result

• generate_image_index_input.txt，根据要求修改测试的样本种类和数量（核实测试集的路径）
• Python 01_generate_image_index.py generate_image_index_input.txt 指令会生成一个txt文件，包含所指定的样本图片的文件路径

export LD_LIBRARY_PATH=/home/zhengyuan/zzyStdFileStructure/03_WorkSpaces/01_CaffeWorkSpace/caffe/.build_release/lib:$LD_LIBRARY_PATH
python 02_generate_classify_result.py /home/zhengyuan/sampleBase_cifar/weightFile/ 00_1_test_result/test_v1.txt #直接生成相应的判断准确率到相应的accuray.txt

• 在训练结果的模型处 生成分类结果