Skip to content

Tutorial.md

Latest commit

 

History

History
117 lines (109 loc) · 4.83 KB

Tutorial.md

File metadata and controls

117 lines (109 loc) · 4.83 KB

Image Classification Tutorial using CAFFE/使用CAFFE进行图像分类教程

1. 准备数据集

  • 路径：$path/to/dataset/dataset_name
  • 结构：
    |-train
      |-classname1
       |filename1.jpg
       |filename2.jpg
       ...
      |-classname2
       |-filename1.jpg
       |-filename2.jpg
       ...
       ...
    |-val
      |-classname1
       |-filename1.jpg
       |-filename2.jpg
       ...
      |-classname2
       |-filename1.jpg
       |-filename2.jpg
       ...
       ...
    |-train.txt(图片路径+空格+对应类别下标(从0开始)，见3)
    |-val.txt
    |-imagenet_mean.binaryproto(均值文件，见3)
  • 整理好train和val目录结构后可用这个代码生成train.txt和val.txt

2.数据转换成lmdb格式

  • cd $CAFFE_ROOT
  • mkdir examples/imgsnet
  • cp examples/imagenet/create_imagenet.sh examples/imgsnet/
  • revise create_imagenet.sh

    EXAMPLE=/home/blabla/caffe/examples/imgsnet/ //刚才新建的文件夹
    DATA=/home/blabla/caffe/examples/imgs/data/ //存放图片数据的文件夹
    TRAIN_DATA_ROOT=/home/blabla/dataset_name/train //训练图片文件夹
    VAL_DATA_ROOT=/home/blabla/dataset_name//val //测试图片文件夹
    RESIZE=true //让图片resize 为同样大小，下面大小自己修改就行。

  • ./examples/imgsnet/create_imagenet.sh,会在$EXAMPLE里生成2个LMDB文件

3.生成均值文件

  • cd $CAFFE_ROOT
  • cp examples/imagenet/make_imagenet_mean.sh examples/imgsnet/
  • revise make_imagenet_maen.sh

    EXAMPLE=/home/blabla/caffe/examples/imgsnet/ //刚才新建的文件夹
    DATA=/home/blabla/caffe/examples/imgs/data/ //存放图片数据的文件夹

  • ./examples/imgsnet/make_imagenet_mean.sh,会在$DATA里生成.binaryproto均值文件
  • 如有需要，可以用这个代码读取.binaryproto均值文件

4.配置网络

  • cd $CAFFE_ROOT
  • cp -r models/bvlc_alexnet examples/imgsnet/
  • cd examples/imgsnet/revisesolver.prototxt and train_val.prototxt

4.1 revise solver.prototxt

>net: "/home/balbla/caffe/examples/imgsnet/bvlc_alexnet/train_val.prototxt" 
>test_iter : 160   //测试迭代次数 
>test_interval : 5000   //多少次迭代测试一次 
>base_lr : 0.001   //基础学习率 
>lr_policy : "step" 
>gamma: 0.1 
>stepsize : 100000 
>display: 20   //多少次迭代显示一次 
>max_iter : 20000   //一共迭代多少次 
>momentum : 0.9 
>weight_decay : 0.0005 
>snapshot : 20000   //多少次迭代保存一次快照 
>snapshot_prefix : "/home/alps/caffe/examples/imgsnet/bvlc_alexnet/caffe_alexnet_train"   //快照保存位置（也是结果的位置） 
>solver_mode : GPU

4.2 revise train_val.prototxt

>mean_file : "/home/blabla/dataset_name/imagenet_mean.binaryproto   //这个是上面生成的均值文件位置 
>source : "/home/balbla/caffe/examples/imgsnet/ilsvrc12_train_lmdb"   //这个是上面生成的 lmdb文件位置
>name : "fc8"
>num_output:12

5.训练网络

  • cd $CAFFE_ROOT
  • ./build/tools/caffe train --solver=/home/balbla/caffe/examples/imgsnet/bvlc_alexnet/solver.prototxt 2>&1 | tee logfile.log,模型保存在imgsnet/bvlc_alexnet路径下

6.测试网络

  • cd imgsnet/bvlc_alexnet,建立文件labels.txt,按类别下标排序写出类名
  • 建立demo_classify.sh,测试命令：

    /home/blabla/caffe/build/examples/cpp_classification/classification.bin /home/blabla/bvlc_alexnet/deploy.prototxt myiter_20000.caffemodle /home/blabla/dataset_name/imagenet_mean.binaryproto labels.txt test.jpg

7.如何从train_val.prototxt中得到配置文件deploy.prototxt?

  • 复制train_val.prototxt
  • 删除前面几层数据输入层(没有bottom字段的就是)，设置自己的data层为：

name: "the name in the train_val.prototxt"
input: "data"
input_dim: 10
input_dim: 3
input_dim: 224 # or whatever the crop_size is in train_val.prototxt
input_dim: 224
或
name: "Inception_v4"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param {shape: {dim: 1 dim:3 dim:299 dim:299}}
}

  • 删除所有需要学习的参数，删除时注意{}，如：
    • blobs_lr
    • weight_decay
    • weight_filler
    • bias_filler
  • 输出层num_output改为自己的类别数，对于求损失的层(bottom带有label)删除，如有需要自己添加softmax：

layer {
  name: "prob"
  type: "Softmax"
  bottom: "classifier"
  top: "prob"
}

有无softmax输出对比

softmax