caffe训练与测试全过程（附代码）（超详细）
最近在学习caffe，因此将⾃⼰的训练和测试的过程及代码记录下来。
（1）处理数据集，理论上caffe的训练集和测试集的⽐例为3：1，⾸先将我们将⾃⼰的数据图⽚先分为训练集和测试集，然后分别对测试集和训练集的图⽚进⾏分类，此次我的数据集分类两类，⼀类c，⼀类m，如下所⽰
训练集
测试集
每个⽂件夹中都是对应的图⽚。
（2）制作标签⽂件，标签⽂件应该是如下格式（下⾯是训练集的标签⽂件）
标签⽂件格式应当是“  路径\⽂件名 标签”（标签要从0开始）
制作标签⽂件可使⽤python完成，python代码如下：
import os
root="D:/caffe/caffe-master/caffe-master/data/mineral_data"  #此处为根路径
#制作训练集⽂件标签
i=-7  #i的数字根据下⾯输出的i来改，直到改为输出从0开始
with open(root+"/","w") as f:  #训练集标签⽂件⽣成地址（下同）
for root,dirs,files in os.walk(root):
for dir in dirs:
for root,dirs,files in os.walk("D:/caffe/caffe-master/caffe-master/data/mineral_data/train/"+str(dir)):
for file in files:
image_file=str(dir)+"\\"+str(file)
label=image_file+" "+str(i)+"\n"
f.writelines(label)
print(i)  #此处输出为标签数字，要从0开始，若不从0开始修改上⽅i初始化
i+=1
#制作测试集标签⽂件
i=-5
with open("D:/caffe/caffe-master/caffe-master/data/mineral_data/","w") as f:
for root,dirs,files in os.walk("D:/caffe/caffe-master/caffe-master/data/mineral_data"):
for dir in dirs:
for root,dirs,files in os.walk("D:/caffe/caffe-master/caffe-master/data/mineral_data/test/"+str(dir)):
for file in files:
image_file=str(dir)+"\\"+str(file)
label=image_file+" "+str(i)+"\n"
f.writelines(label)
print(i)
i+=1
（3）⽣成caffe使⽤的格式⽂件（lmdb格式），该处使⽤.bat⽂件，脚本⽂件内容如下：
⽣成训练集lmdb格式⽂件：
D:/caffe/caffe-master/caffe-master/Build/x64/Release/ --resize_height=100 --resize_width=100 --shuffle --backend=lmdb  D:/caffe/ca pause
测试集lmdb格式⽂件：
D:/caffe/caffe-master/caffe-master/Build/x64/Release/ --resize_height=100 --resize_width=100 --shuffle --backend=lmdb  D:/caffe/ca pause
⽣成格式⽂件如下：
上⾯所⽤脚本⽂件说明：
（4）⽣成均值⽂件（使⽤.bat⽂件）：（mean.binaryproto）
脚本⽂件如下：
D:\caffe\caffe-master\caffe-master\Build\x64\Release\compute_image_mean D:\caffe\caffe-master\caffe-master\data\mineral_data\train_leveldb D:\caffe\c
脚本⽂件说明：
（5）修改train_val.prototxt⽂件，该⽂件为训练⽹络结构
本次我们采⽤mobilenet，如果你想⽤其他⽹络也可以，可以从github上下载相应⽹络结构，不过注意下载下来的⽹络模型只有
deploy.prototxt（测试所⽤⽹络结构）和已经训练好的caffemodel（识别测试时所⽤），因此此时你需要修改deploy.prototxt⽂件来⽣成train_val.prototxt⽂件，下⾯说明具体步骤。
⾸先将下载的模型⽂件复制到⾃⼰test和train⽂件夹所在的⽬录如下：
mobilenet为所⽤⽹络模型，test和train分别为训练集和测试集⽂件，另外两个为前⾯所⽣成的lmdb格式⽂件
接下来取出mobilenet⽂件夹中的deploy.prototoxt⽂件，复制到该⽬录下：
再将该⽂件复制⼀份，命名为 train_val.prototxt
打开该⽂件，如下：
接下⾥修改该⽂件，删除最后⼀个层（prob）和前⾯的数据维度描述：
然后添加数据层和accuracy层，全连接层以及loss层，如下：
#数据层添加在最开始：
name: "MOBILENET"
writelines在python中的用法layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 100
#均值⽂件所在⽬录
mean_file: "D:/caffe/caffe-master/caffe-master/data/mineral_data/mean.binaryproto" }
data_param {
#训练集lmdb格式⽂件⽬录
source: "D:/caffe/caffe-master/caffe-master/data/mineral_data/train_leveldb"
batch_size: 50
backend: LMDB
}
}
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 100
mean_file: "D:/caffe/caffe-master/caffe-master/data/mineral_data/mean.binaryproto" }
data_param {
#测试集lmdb格式⽂件⽬录
source: "D:/caffe/caffe-master/caffe-master/data/mineral_data/test_leveldb"
batch_size: 10
backend: LMDB
}
}

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。