Caffe-windows上训练自己的数据

Caffe在Windows上的图像分类

最新推荐文章于 2022-06-02 15:26:08 发布

转载最新推荐文章于 2022-06-02 15:26:08 发布 · 508 阅读

本文介绍如何在Windows环境下使用Caffe进行图像分类任务，包括数据准备、网络配置及训练过程。通过调整参数，实现了对小狗、菊花、梅花三类图像的有效分类。

Caffe-windows上训练自己的数据

1.数据获取

在网上选择特定类别，下载相应的若干张图片。可以网页另存或者图片下载器。本例中保存了小狗、菊花、梅花三类各两百多张。

2.重命名

复制代码

 1 import os
 2 import os.path
 3 rootdir = "jh"
 4 i=1
 5 for parent,dirnames,filenames in os.walk(rootdir):
 6    for filename in filenames:
 7       newName=a+str(i)+".jpg"
 8       print  filename+" -> "+newName
 9       os.rename(os.path.join(parent,filename), os.path.join(parent, newName))
10       i+=1

复制代码

3.更改分辨率

复制代码

 1 from PIL import Image
 2 import glob, os
 3 w,h = 256,256
 4 def timage():
 5     for files in glob.glob('jh\*.jpg'):
 6         filepath,filename = os.path.split(files)
 7         filterame,exts = os.path.splitext(filename)
 8         opfile = r'jh\jhout\\'
 9         if (os.path.isdir(opfile)==False):
10             os.mkdir(opfile)
11         im=Image.open(files)
12         im_ss=im.resize((int(w), int(h)))
13         try:
14            im_ss.save(opfile+filterame+'.jpg')
15         except:
16            print filterame
17            os.remove(opfile+filterame+'.jpg')
18 
19 if __name__=='__main__':
20     timage()

复制代码

4.获取标签

复制代码

 1 import glob, os, shutil
 2 def timage():
 3     names=["gg","jh"]
 4     t=open("train.txt",'a')
 5     v=open("val.txt",'a')
 6     for files in glob.glob('jh\jhout\*.jpg'):
 7         filepath,filename = os.path.split(files)
 8         filterame,exts = os.path.splitext(filename)
 9         oldfile = r'jh\jhout\\'
10         opfile = r'val\\'
11         if (os.path.isdir(opfile)==False):
12             os.mkdir(opfile)
13         if 200< int(filterame[2:]):  # test data
14             shutil.move(oldfile+filterame+'.jpg',opfile+filterame+'.jpg')
15             v.write(filterame+'.jpg '+str(names.index("jh"))+'\n')
16         else:  # train data
17             t.write('jhout/'+filterame+'.jpg '+str(names.index("jh"))+'\n')
18     t.close()
19     v.close()
20 
21 
22 if __name__=='__main__':
23     timage()

复制代码

5.生成对应的leveldb格式数据

SET GLOG_logtostderr=1
Build\x64\Release\convert_imageset.exe examples/t/train/ examples/t/train/train.txt examples/t/trainldb 1
pause

SET GLOG_logtostderr=1
Build\x64\Release\convert_imageset.exe examples/t/val/ examples/t/val/val.txt examples/t/valldb 1
pause

6.计算均值

SET GLOG_logtostderr=1
Build\x64\Release\compute_image_mean.exe examples/t/trainldb examples/t/tmean.binaryproto
pause

7.修改网络

models/bvlc_alexnet/train_val.prototxt

修改其中的num_output, batch_size和相应的路径

solver.prototxt如下，其中gamma指的是在学习率为step模式化下，每400次迭代变为原来的0.9倍。

复制代码

net: "examples/t/train_val.prototxt"
test_iter: 100
test_interval: 200
base_lr: 0.0001
lr_policy: "step"
gamma: 0.9
stepsize: 400
display: 100
max_iter: 5000
momentum: 0.9
weight_decay: 0.001
snapshot: 10000
snapshot_prefix: "caffe_train"
solver_mode: GPU

复制代码

8.训练网络

cd ../../
"Build/x64/Release/caffe.exe" train --solver=examples/t/solver.prototxt
pause

9.运行结果

在仅使用小狗和菊花两类，训练200张测试50张，可以达到98%的正确率。

使用小狗、菊花、梅花三类，可以达到89%的正确率。

10.优化

之前将train_val.prototxt中的crop_size: 227改成了128，速度相对快很多。

在三类分类中改回227，正确率在92%左右波动，进一步修改base_lr: 0.00015，gamma: 0.93，正确率可以达到94.6%。

标签: 机器学习, 工具学习