本文章记录了我将自己的数据集处理并训练的流程,帮助一些刚入门的学习者,也记录自己的成长,万事起于忽微,量变引起质变。
正文:
一、流程
1)准备数据集
2)数据转换为lmdb格式
3)计算均值并保存(非必需)
4)创建模型并编写配置文件
5)训练和测试
二、实施
(一)准备数据集
在深度学习中,数据集准备往往是最难的事情,因为数据涉及隐私、商业等各方面,获取难度很大,不过有很多科研机构公布了供学习使用的数据集,我们可以在网上下载。还有一种获取的途径是论文,查阅国内外相关的论文,看他们是如何获取到数据集的,我们也可以使用他 们所采用的数据集。
我要训练的模型是人脸识别,训练的数据集是在网上下载的,经过整理,在我的网盘可以下载:http://pan.baidu.com/s/1jIxCcKI
(二)数据转换为lmdb格式
生成lmdb格式的文件通过脚本来实现,这就需要我们自己编写脚本文件,这里遇到了一些坑,首先使用vim创建脚本文件create1.sh
#!/usr/bin/env sh DATA=AR1 MY=newfile echo "Create train.txt..." rm -rf $MY/train.txt for i in 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 do find $DATA/train/$i -name *.pgm|cut -d '/' -f2-4 | sed "s/$/ $i/">>$MY/train.txt done echo "Create test.txt..." rm -rf $MY/test.txt for i in 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 do find $DATA/test/$i -name *.pgm|cut -d '/' -f2-4 | sed "s/$/ $i/">>$MY/test.txt done echo "All done"
这个脚本文件中,用到了rm,find, cut, sed,cat等linux命令。
rm: 删除文件
find: 寻找文件
cut: 截取路径
sed: 在每行的最后面加上标注。本例中将找到的*cat.jpg文件加入标注为1,找到的*bike.jpg文件加入标注为2
cat: 将两个类别合并在一个文件里。
执行这个脚本:
sh data/face/create1.sh
成功的话就会在newfile文件夹里生成train.txt和test.txt文件,比如
f2-4的含义是选取以“/”而分隔开的第2至第4部分
接着再编写一个脚本文件,调用convert_imageset命令来转换数据格式。
vim lmdb.sh
#!/usr/bin/env sh MY=data/face/newfile echo "Create train lmdb.." rm -rf $MY/img_train_lmdb build/tools/convert_imageset --shuffle --resize_height=256 --resize_width=256 /home/zyf/ygh/project/caffe/data/face/AR1/ $MY/train.txt $MY/img_train_lmdb echo "Create test lmdb.." rm -rf $MY/img_test_lmdb build/tools/convert_imageset --shuffle --resize_width=256 --resize_height=256 /home/zyf/ygh/project/caffe/data/face/AR1/ $MY/test.txt $MY/img_test_lmdb echo "All Done.."
我统一转换成256*256大小。
sh lmdb.sh
运行成功后,会在 newfile下面生成两个文件夹img_train_lmdb和img_test_lmdb,分别用于保存图片转换后的lmdb文件。
(三)计算均值并保存(非必需)
图片减去均值再训练,会提高训练速度和精度。因此,一般都会有这个操作。
caffe程序提供了一个计算均值的文件compute_image_mean.cpp,我们直接使用就可以了
build/tools/compute_image_mean data/face/newfile/img_train_lmdb data/face/newfile/mean.binaryproto
compute_image_mean带两个参数,第一个参数是lmdb训练数据位置,第二个参数设定均值文件的名字及保存路径。运行成功后,会在 newfile/ 下面生成一个mean.binaryproto的均值文件。
(四)创建模型并编写配置文件
模型里面的数据
data_param { source: "data/face/newfile/img_train_lmdb" backend:LMDB batch_size: 128 } transform_param { mean_file: "data/face/newfile/mean.binaryproto" mirror: true }
这其中的source和mean_file的路径要改成前面你自己生成的文件目录,其余的不需要修改,我这里采用的是网上训练精度不错的一个网络,具体下载可以转到百度云: 链接
其中的train_val.prototxt是训练网络
然后修改其中的solver.prototxt
net: "data/face/train_val.prototxt" test_iter: 10 test_interval: 100 base_lr: 0.001 lr_policy: "step" gamma: 0.95 stepsize: 100 momentum: 0.9 weight_decay: 0.0005 display: 100 max_iter: 5000 snapshot: 5000 snapshot_prefix: "data/face" solver_mode: GPU device_id:0 #debug_info: true
其中test_iter: 10,test_interval: 100,一千张图片每次测试100张,10次就都可以覆盖了。。在训练过程中,调整学习率,逐步变小。
(五)训练和测试
如果前面都没有问题,数据准备好了,配置文件也配置好了,这一步就比较简单了。
build/tools/caffe train -solver data/face/solver.prototxt
直接训练即可,可以实时在命令行下查看其精度与loss。
待续。。。
by still
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Caffe学习系列(四)之–训练自己的模型 - Python技术站