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numpyfrom __future__ import divisioni

配置caffe的python接口 建议先安装anaconda1、安装一些依赖：for req in $(cat requirements.txt); do pip install $req; done2、修改bashrc在最后添加caffe里的python路径：export PYTHONPATH=/home/summer/caffe/python:$P

1、准备数据：下载mnist数据cd $CAFFE_ROOT./data/mnist/get_mnist.sh2、将格式转为lmdb格式./examples/mnist/create_mnist.shlmdb数据在examples/mnist路径下3、分类模型：LeNet模型结构：$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.jpg2from __future__ import divisionimport os import randomimport 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 osimport cv2N = 0imgPath = "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/537116401、anaconda22、cuda7.53、cudnn5（就是一个压缩包）4、windows-caffehttps://github.com/Microsoft/caffe5、在vs中编译6、添加环境变量D:\caffe\caffe-ma