一、数据准备： （1）原始数据 11类 包括目标和场景 目标：plane, oiltank, ship, warship, vehicel 场景：building, desert, residential, water 车辆：包括完整的和不完整的车辆 （2）扩充数据  ①在原始框进行缩放平移，利用numpy from __future__ import division i

配置caffe的python接口 建议先安装anaconda 1、安装一些依赖： for req in $(cat requirements.txt); do pip install $req; done 2、修改bashrc 在最后添加caffe里的python路径： export PYTHONPATH=/home/summer/caffe/python:$P

1、准备数据：下载mnist数据 cd $CAFFE_ROOT ./data/mnist/get_mnist.sh 2、将格式转为lmdb格式 ./examples/mnist/create_mnist.sh lmdb数据在examples/mnist路径下 3、分类模型：LeNet 模型结构：$CAFFE_ROOT/examples/mnist/len

电脑上刚装的Ubuntu，配一下CPU版的caffe 参考：http://caffe.berkeleyvision.org/install_apt.html 一、安装一些依赖 1、 sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-de

caffe的python接口 调用训练好的模型： caffe_root = 'D:\caffe\caffe-windows-master' sys.path.insert(0,caffe_root+'python') import caffe 利用滑动窗口提取图片特征： （1）获取滑动窗口： def get_RegionProposal(self): hei

如果用cv2。imread()接口读图像，读进来直接是BGR 格式and 0~255 所以不需要再缩放到【0,255】和通道变换【2,1,0】，不需要transformer.set_raw_scale('data',255)和transformer.set_channel_swap('data',(2,1,0) ###################分割线###################

（3）给数据做标签：trainData：valData = 7:3 随机将数据分开再Label Image: txt格式，例如：plane/plane_0.jpg 2 from __future__ import division import os import random import cv2 #将TrainDataFinal里面的数据分别移到FinalTrain和FinalVa

(1)将RGB图像转为HSV, LAB, GRAY, 顺变将不是224大小的图片resize一下 # -*- coding: utf-8 -*- import os import cv2 N = 0 imgPath = "TrainDataExpd/" savePath = "TrainDataFinal/" for root, dirs, files, in os.walk(imgPath)

第一步：安装VS2013 第二步：查看电脑显卡型号 在NVIDA官网下载对应版本的cuda驱动 安装（我默认的安装路径） 第三步：安装cuda，下载cuda安装包安装（这里我也默认了安装路径） 第四步：下载最新版本的Anaconda2.7 安装Python 第五步：编译caffe   在github下载这个压缩包：  https://github.com/happynear/caffe-w

参考：http://blog.youkuaiyun.com/baidu_26408419/article/details/53711640 1、anaconda2 2、cuda7.5 3、cudnn5（就是一个压缩包） 4、windows-caffe https://github.com/Microsoft/caffe 5、在vs中编译 6、添加环境变量 D:\caffe\caffe-ma