caffe图像分类resnet对应cifar数据集/lmdb数据集（使用自己的数据）

对于图像分类的工作，其实深度学习已经做的足够好了。

现在先整理一下数据集的整理

然后再是resnet训练的方式.

再之后会使用一下xception

最后就用tensorflow做以上的事情

1. 制作数据集

首先自己的数据 按照类别用不同的文件夹整理好。

然后 每个文件夹运行一遍 提取名字加label的操作。

# -*- coding: UTF-8 -*-

import os

import random

path = '/home/deep/dataset/cifar10Dataset-master/data/1'        # 替换为你的路径

dir = os.listdir(path)                  # dir是目录下的全部文件

fopen = open('/home/deep/dataset/cifar10Dataset-master/data/1/name.txt', 'w') # 替换为你的路径

for d in dir:

    (filename,extension) = os.path.splitext(d)

    if extension == '.png':

    string =  d + ' 1\n'    #拼接字符串并换行

    fopen.write(string)

fopen.close()

print 'Done'

然后 把所有图片再放到一起，把label合成一个文件夹

1.1 制作Cifar 数据集 

https://github.com/Arthur-Shi/cifar10Dataset

1.2 转换cifar数据集变成 Lmdb数据集

https://github.com/Arthur-Shi/ResNet-on-Cifar10中的scipt文件夹中

有转换方法 并且会数据增强的方式去 制作pad数据集。

2. Resnet训练

到caffe的目录下bulid/tools/

caffe train -solver=solver.prototxt -gpu 0

例如：

./caffe train -solver=/home/deep/py-faster-rcnn/caffe-fast-rcnn/ResNet-on-Cifar10/data_augmentation/20/solver.prototxt -gpu 0