[caffe] 數據制作和訓練

在使用caffe時，我們希望使用自己的數據進行訓練，以下給出如何制作自己的數據。所有的數據制作都是基于imagenet的。

1.數據準備，我們需要一個train和valid文件夾，一個train.txt和val.txt（圖片文件夾的位置可以任意，但是這兩個txt文件的位置在data/mydata/目錄下）

train和valid文件夾自然就存放著待訓練的圖片，train.txt和val.txt的數據格式如下

?

train_example/1.jpg 0 train_example/2.jpg 0 train_example/3.jpg 0 train_example/4.jpg 0 train_example/5.jpg 0 train_example/6.jpg 0 train_example/7.jpg 0 train_example/8.jpg 0 train_example/9.jpg 0

前邊是圖片路徑，后便是label，注意label是從0開始的。

?

2. 在example目錄下創建自己的文件夾mytask，將imagenet中所有的文件烤過來，然后進行修改。

create_imagenet.sh

//當前路徑 EXAMPLE=/home/kongtao/caffe-master/examples/voc2007_test1 //存放train.txt和val.txt的路徑，就是data/mydata DATA=/home/kongtao/caffe-master/data/voc2007_data1 //不變 TOOLS=/home/kongtao/caffe-master/build/tools//存放train和val圖片文件夾的主目錄（這里與txt文件中的目錄合起來才是圖片目錄） TRAIN_DATA_ROOT=/home/kongtao/learn/cnn_learn/VOC2007_research/VOCdevkit/ VAL_DATA_ROOT=/home/kongtao/learn/cnn_learn/VOC2007_research/VOCdevkit/

運行create_imagenet.sh，生成兩個數據文件lmdb

?

make_image_mean.sh 也是修改相應的路徑

?

最后需要修改的是model中prototxt文件，只需要修改路徑

?

運行

./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt

這樣就可以了。

以上完成了一個數據文件的創建和訓練的過程，對于我們來說，其實網絡架構顯得更重要，因此不僅僅是調通，更重要的是調整網絡架構和改進，這也是最難得部分。

?

?

多chanel,需要對數據進行提前白化

?

import numpy as np import caffe import lmdb# obviously load your own inputs here -- this is just by way of example # to show the data can have any channel dimension # as the dimensions are N x K x H x W inputs = np.zeros((10, 5, 227, 227))in_db = lmdb.open('input-lmdb', map_size=int(1e12)) with in_db.begin(write=True) as in_txn:for in_idx, in_ in enumerate(inputs):in_dat = caffe.io.array_to_datum(in_)in_txn.put('{:0>10d}'.format(in_idx), im_dat.SerializeToString()) in_db.close()

?

記錄一下別人制作的東東

http://deepdish.io/2015/04/28/creating-lmdb-in-python/

還有一個

http://blog.csdn.net/ayst123/article/details/44077903

原創文章，轉載請注明出處，謝謝！

http://www.cnblogs.com/taokongcn/p/4341371.html

from：http://www.cnblogs.com/taokongcn/p/4341371.html

總結

以上是生活随笔為你收集整理的[caffe] 数据制作和训练的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。