使用CAFFE训练自己的数据集并单张图片测试的方法

Caffe训练ImageNet使用的是NIPS 2012 paper论文的算法。

 

1、准备数据。

假设已经下载好数据集和验证集，存储路径为：

/path/to/imagenet/train/n01440764/n01440764_10026.JPEG

/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG

首选需要创建一个txt文件，列举出所有图像以及对应的lable，caffe包“python/caffe/imagenet/ilsvrc_2012_train.txt”和“ilsvrc_2012_val.txt”两个文件分别是标好的训练集和验证集的文件，共分为1000类。

还需要注意的是，所有的图像都需要归一到同样的尺寸。

 

2、转化生成训练集。

运行下面的命令：

GLOG_logtostderr=1 examples/convert_imageset.bin   /path/to/imagenet/train/ python/caffe/imagenet/ilsvrc_2012_train.txt    /path/to/imagenet-train-leveldb

生成文件存储在“/path/to/imagenet-train_leveldb”路径下。

 

3、计算图像均值。

执行命令：

examples/demo_compute_image_mean.bin /path/to/imagenet-train-leveldb /path/to/mean.binaryproto

第一个参数是执行脚本代码，第二个参数是上一步生成的数据集，第三个参数是存储图像均值的目录路径。

 

4、定义网络。

ImageNet的网络定义在“examples/imagenet.prototxt”文件中，使用时需要修改里面source和meanfile变量的值，指向自己文件的路径。

仔细观察imagenet.prototxt和imagenet_val.prototxt文件可以发现，训练和验证的参数大部分都相同，不同之处在于初始层和最后一层。训练时，使用softmax_loss层来计算损失函数和初始化后向传播，验证时，使用accuracy层来预测精确度。

在文件“examples/imagenet_solver.prototxt”中定义solver协议，同样需要修改train_net和test_net的路径。

 

5、训练网络。

执行命令：

GLOG_logtostderr=1 examples/train_net.bin examples/imagenet_solver.prototxt

 

6、在python中使用已经训练好的模型。

Caffe只提供封装好的imagenet模型，给定一副图像，直接计算出图像的特征和进行预测。首先需要下载模型文件。

Python代码如下：

 from caffe import imagenet
 from matplotlib import pyplot
 # Set the right path to your model file, pretrained model
 # and the image you would like to classify.
 MODEL_FILE = 'examples/imagenet_deploy.prototxt'
 PRETRAINED = '/home/jiayq/Downloads/caffe_reference_imagenet_model’
 IMAGE_FILE = '/home/jiayq/lena.png'

 net = imagenet.ImageNetClassifier(MODEL_FILE, PRETRAINED)
 #预测
 prediction = net.predict(IMAGE_FILE）
 #绘制预测图像
 print 'prediction shape:', prediction.shape
 pyplot.plot(prediction)
 prediction shape: (1000,)
 [0x8faf4d0>] #结果如图所示

 

图上的横轴表示的label，纵轴表示在该类别上的概率，有图我们看到，lena.jpg被分到了”sombrero”这组，结果还算准确。 

结束语

更多内容请参考http://daggerfs.com/caffe/