Caffe入门（一）运行各种Demo

最新推荐文章于 2025-04-25 17:34:43 发布

原创最新推荐文章于 2025-04-25 17:34:43 发布 · 2.8k 阅读

2 ·

CC 4.0 BY-SA版权

caffe 专栏收录该内容

3 篇文章

订阅专栏

本文介绍如何使用Caffe深度学习框架进行手写数字识别与图像分类任务。首先，通过一系列步骤演示如何训练MNIST数据集上的LeNet模型，并评估其准确率。其次，展示如何利用预训练的Caffenet模型对ImageNet数据集中的图片进行分类。

本文假设读者已经配置好caffe的基本环境。

一、运行手写体数字识别Demo

1.在caffe跟目录下执行以下命令，下载所需文件

dnn@DNN:~/caffe$ cd data/mnist/
dnn@DNN:~/caffe/data/mnist$ ./get_mnist.sh

下载后的目录结构如下：

dnn@DNN:~/caffe/data/mnist$ tree
.
├── get_mnist.sh
├── t10k-images-idx3-ubyte
├── t10k-labels-idx1-ubyte
├── train-images-idx3-ubyte
└── train-labels-idx1-ubyte

2.回到caffe根目录，执行一下命令，将下载的文件转换为LMDB文件

dnn@DNN:~/caffe$ ./examples/mnist/create_mnist.sh

3.在根目录执行以下命令对模型进行训练

dnn@DNN:~/caffe$ ./examples/mnist/train_lenet.sh

4.用训练好的模型对数据进行预测

dnn@DNN:~/caffe$ ./build/tools/caffe.bin test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -iterations 100

结果如下：

I0405 16:20:22.532732  5084 caffe.cpp:308] Batch 98, loss = 0.00556712
I0405 16:20:22.570906  5084 caffe.cpp:308] Batch 99, accuracy = 0.99
I0405 16:20:22.570940  5084 caffe.cpp:308] Batch 99, loss = 0.0155181
I0405 16:20:22.570955  5084 caffe.cpp:313] Loss: 0.0287495
I0405 16:20:22.570968  5084 caffe.cpp:325] accuracy = 0.9906
I0405 16:20:22.570981  5084 caffe.cpp:325] loss = 0.0287495 (* 1 = 0.0287495 loss)

二、运行ilsvrc12识别小猫咪的Demo

1.在根目录下运行以下命令获取meta数据

dnn@DNN:~/caffe$ cd data/ilsvrc12/
dnn@DNN:~/caffe/data/ilsvrc12$ ./get_ilsvrc_aux.sh

2.下载caffenet模型

dnn@DNN:~/caffe/data/ilsvrc12$ cd ../../models/bvlc_reference_caffenet/
dnn@DNN:~/caffe/models/bvlc_reference_caffenet$ wget http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel

3.预测小猫咪图片

其中有些数据需要到这个网站下载：http://dl.caffe.berkeleyvision.org/caffe_ilsvrc12.tar.gz

 ./build/examples/cpp_classification/classification.bin models/bvlc_reference_caffenet/deploy.prototxt models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel data/ilsvrc12/imagenet_mean.binaryproto data/ilsvrc12/synset_words.txt examples/images/cat.jpg

预测结果如下：

---------- Prediction for examples/images/cat.jpg ----------
0.3134 - "n02123045 tabby, tabby cat"
0.2380 - "n02123159 tiger cat"
0.1235 - "n02124075 Egyptian cat"
0.1003 - "n02119022 red fox, Vulpes vulpes"
0.0715 - "n02127052 lynx, catamount"