(13)caffe總結之訓練和測試自己的圖片

學習caffe的目的，不是簡單的做幾個練習，最終還是要用到自己的實際專案或科研中。因此，本文介紹一下，從自己的原始圖片到lmdb資料，再到訓練和測試模型的整個流程。

一、準備資料

有條件的同學，可以去imagenet的官網http://www.image-net.org/download-images，下載imagenet圖片來訓練。但是我沒有下載，一個原因是註冊賬號的時候，驗證碼始終出不來（聽說是google網站的驗證碼，而我是上不了google的）。第二個原因是資料太大了。。。

我去網上找了一些其它的圖片來代替，共有500張圖片，分為大巴車、恐龍、大象、鮮花和馬五個類，每個類100張。需要的同學，可到我的網盤下載：http://pan.baidu.com/s/1nuqlTnN

編號分別以3，4，5，6，7開頭，各為一類。我從其中每類選出20張作為測試，其餘80張作為訓練。因此最終訓練圖片400張，測試圖片100張，共5類。我將圖片放在caffe根目錄下的lesson5資料夾下面。即訓練圖片目錄：lesson5/train/ ,測試圖片目錄: lesson5/test/

二、轉換為lmdb格式

具體的轉換過程，可參見我的前一篇博文：Caffe學習系列(11)：影像資料轉換成db（leveldb/lmdb)檔案

首先，在examples下面建立一個myfile的資料夾，來用存放配置檔案和指令碼檔案。然後編寫一個指令碼create_filelist.sh，用來生成train.txt和test.txt清單檔案

#!/usr/bin/env sh
DATA=/home/xyl/caffe/lesson5
MY=/home/xyl/caffe/lesson5/myfile

echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7 
do
find $DATA/train -name $i*.jpg | cut -d '/' -f6-7 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 3 4 5 6 7
do
find $DATA/test -name $i*.jpg | cut -d '/' -f6-7 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"

然後，執行此指令碼

xyl@xyl-xiao:~/caffe/lesson5/myfile$ ./create_filelist.sh 

成功的話，就會在myfile/ 資料夾下生成train.txt和test.txt兩個文字檔案，裡面就是圖片的列表清單。

接著再編寫一個指令碼檔案，呼叫convert_imageset命令來轉換資料格式。

#!/usr/bin/env sh
MY=/home/xyl/caffe/lesson5/myfile

echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
/home/xyl/caffe/build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/xyl/caffe/lesson5/ \
$MY/train.txt \
$MY/img_train_lmdb

echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
/home/xyl/caffe/build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/xyl/caffe/lesson5/ \
$MY/test.txt \
$MY/img_test_lmdb

echo "All Done.."

因為圖片大小不一，因此我統一轉換成256*256大小。執行成功後，會在 myfile下面生成兩個資料夾img_train_lmdb和img_test_lmdb，分別用於儲存圖片轉換後的lmdb檔案。

三、計算均值並儲存

圖片減去均值再訓練，會提高訓練速度和精度。因此，一般都會有這個操作。

caffe程式提供了一個計算均值的檔案compute_image_mean.cpp，我們直接使用就可以了

xyl@xyl-xiao:~/caffe$  build/tools/compute_image_mean lesson5/myfile/img_train_lmdb lesson5/myfile/mean.binaryproto

compute_image_mean帶兩個引數，第一個引數是lmdb訓練資料位置，第二個引數設定均值檔案的名字及儲存路徑。
執行成功後，會在 myfile/ 下面生成一個mean.binaryproto的均值檔案

四、建立模型並編寫配置檔案

模型就用程式自帶的caffenet模型，位置在 models/bvlc_reference_caffenet/資料夾下, 將需要的兩個配置檔案，複製到myfile資料夾內

xyl@xyl-xiao:~/caffe$ cp models/bvlc_reference_caffenet/solver.prototxt lesson5/myfile/
xyl@xyl-xiao:~/caffe$ cp models/bvlc_reference_caffenet/train_val.prototxt lesson5/myfile/

net: "lesson5/myfile/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

100個測試資料，batch_size為50，因此test_iter設定為2，就能全cover了。在訓練過程中，調整學習率，逐步變小。

修改train_val.protxt，只需要修改兩個階段的data層就可以了，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: 227
    mean_file: "lesson5/myfile/mean.binaryproto"
  }
  data_param {
    source: "lesson5/myfile/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: "lesson5/myfile/mean.binaryproto"
  }
  data_param {
    source: "lesson5/myfile/img_test_lmdb"
    batch_size: 50
    backend: LMDB
  }
}

實際上就是修改兩個data layer的mean_file和source這兩個地方，其它都沒有變化 。

五、訓練和測試

如果前面都沒有問題，資料準備好了，配置檔案也配置好了，這一步就比較簡單了。

# sudo build/tools/caffe train -solver lesson5/myfile/solver.prototxt

執行時間和最後的精確度，會根據機器配置，引數設定的不同而不同。我的是gpu+cudnn執行500次，大約8分鐘，精度為95%。