Caffe的使用

主要是通过猫狗分类的例子，了解如何准备数据，以及利用Caffe进行训练，微调和测试。

1. 准备数据

数据集来自 kaggle 上的一个竞赛：Dogs vs. Cats，训练集有25000张，猫狗各占一半。测试集12500张，没有标定是猫还是狗。

1.1 文件说明

• data: 存放训练集文件夹，在该文件夹下又有两个文件夹（以类别数字命名，命名为0和1，分别存放猫和狗）。

原始训练集都在一个文件夹下，这里将猫和狗分开存放，可在百度网盘（密码：1vsu）中下载。

• generate_list.py: 将数据分成训练集和验证集，制作train.txt和val.txt，为生成lmdb格式数据做准备。
• prepare_data.bat: 将图像数据转换为lmdb格式数据，并生成训练集的均值文件。

1.2 运行说明

• 首先运行generate_list.py文件（命令：python generate_list.py），如果有路径问题，注意修改源程序中的相应路径。 该程序将数据分成训练集和验证集（随机打乱，其中训练集所占比例为80%），生成train.txt和val.txt。train.txt和val.txt中的格式如下：

0/cat.1525.jpg 0
0/cat.4225.jpg 0
0/cat.4166.jpg 0
...
1/dog.8919.jpg 1
1/dog.2960.jpg 1
1/dog.1557.jpg 1
...

• 最后运行prepare_data.bat文件（直接双击即可），如果有路径问题，注意修改源程序中的相应路径。
• convert_imageset.exe --shuffle 随机打乱数据（可选参数） --resize_height=256 --resize_width=256 将数据缩放成256*256 data/ 为数据所在文件夹，data加上train.txt中的图像路径就是图像的完整路径 train.txt 为第一步中生成的train.txt img_train_lmdb 为保存的lmdb文件（最后生成的是一个文件夹）
• compute_image_mean.exe img_train_lmdb 为保存的训练集lmdb文件 mean.binaryproto 为训练集的均值文件

2. 训练

2.1 文件说明

• bvlc_reference_caffenet: 其中保存着caffenet的模型（提供了百度网盘下载地址（密码：wcps））。
• train_from_scratch.bat: 从头开始训练。
• train.bat: 利用caffenet进行微调。

2.2 运行说明

• 运行train.bat
• caffe.exe train表示caffe处于训练阶段 --solver=bvlc_reference_caffenet/solver.prototxt为整个模型运行的参数配置文件 --weight=bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel为已经训练好的caffenet模型

3. 测试

3.1 文件说明

• images: 保存部分测试图像
• labels.txt: 保存每一类的名字（注意顺序，和0，1对应）
• deploy.prototxt: caffe测试时使用的文件，保存了网络的结构
• classification.bat: 分类脚本（注意修改其中的模型路径和图像路径）

3.2 运行说明

• 运行classification.bat
• classification.exe deploy.prototxt为caffe测试时使用的文件，保存了网络的结构 caffenet_iter_15000.caffemodel为第二步中训练得到的模型（下载地址（密码：1bj6）） mean.binaryproto为第一步生成的训练集均值文件 labels.txt中保存了类别的名字 images/15.jpg为测试图像