微调CaffeNet用于车颜色识别_车辆deploy.prototxt-优快云博客

本文链接：https://blog.youkuaiyun.com/sinat_30071459/article/details/50493839

本文详细介绍了如何微调预训练的CaffeNet模型，以实现车颜色识别任务。首先计算图像均值，接着修改train_val.prototxt、solver.prototxt和deploy.prototxt文件，调整fc8层的参数。然后，准备预训练模型参数，并开始训练。最终，实验结果显示模型在车颜色识别上的精度表现良好。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

说明：主要思想是微调使用ImageNet预训练的CaffeNet模型参数，用来对车颜色进行识别。为了不和其他文件混乱，我们在examples下新建文件夹finetune_myself。

1.计算图像均值

caffenet需要图像均值文件，所以先计算均值文件。在finetune_myself下新建文件夹Image_mean，从imagenet中拷贝make_imagenet_mean.sh到finetune_myself下，更名为make_image_mean.sh(为了和imagenet区分),然后修改脚本如下：

EXAMPLE=examples/finetune_myself #该路径下为训练图像的lmdb文件
DATA=examples/finetune_myself/Image_mean #该路径为生成的均值文件保存的地方
TOOLS=build/tools

$TOOLS/compute_image_mean $EXAMPLE/car_train_lmdb \ #这里的lmdb和自己的对应
  $DATA/image_mean.binaryproto #生成的均值文件名字，这里为了区分改一下名字

这样，生成的均值文件保存在finetune_myself下的Image_mean文件夹里，名字为image_mean.binaryproto。

2.准备caffenet模型

在finetune_myself下新建文件夹，命名为models，将caffenet的train_val.prototxt、solver.prototxt和deploy.prototxt复制到此models文件夹里，然后，对模型进行修改。假设我们的训练集类别是m，那么fc8层的num_output需要修改成m，又由于finetune时用到的权重是根据层名匹配的，而fc8的num_output已经修改，该层的参数必须重新学习