Caffe訓練ImageNet使用的是NIPS?2012?paper論文的算法。

?

1、準備數據。

假設已經下載好數據集和驗證集，存儲路徑為：

/path/to/imagenet/train/n01440764/n01440764_10026.JPEG

/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG

首選需要創建一個txt文件，列舉出所有圖像以及對應的lable，caffe包“python/caffe/imagenet/ilsvrc_2012_train.txt”和“ilsvrc_2012_val.txt”兩個文件分別是標好的訓練集和驗證集的文件，共分為1000類。

還需要注意的是，所有的圖像都需要歸一到同樣的尺寸。

?

2、轉化生成訓練集。

運行下面的命令：

GLOG_logtostderr=1?examples/convert_imageset.bin???/path/to/imagenet/train/?python/caffe/imagenet/ilsvrc_2012_train.txt????/path/to/imagenet-train-leveldb

生成文件存儲在“/path/to/imagenet-train_leveldb”路徑下。

?

3、計算圖像均值。

執行命令：

examples/demo_compute_image_mean.bin?/path/to/imagenet-train-leveldb?/path/to/mean.binaryproto

第一個參數是執行腳本代碼，第二個參數是上一步生成的數據集，第三個參數是存儲圖像均值的目錄路徑。

?

4、定義網絡。

ImageNet的網絡定義在“examples/imagenet.prototxt”文件中，使用時需要修改里面source和meanfile變量的值，指向自己文件的路徑。

仔細觀察imagenet.prototxt和imagenet_val.prototxt文件可以發現，訓練和驗證的參數大部分都相同，不同之處在于初始層和最后一層。訓練時，使用softmax_loss層來計算損失函數和初始化后向傳播，驗證時，使用accuracy層來預測精確度。

在文件“examples/imagenet_solver.prototxt”中定義solver協議，同樣需要修改train_net和test_net的路徑。

?

5、訓練網絡。

執行命令：

GLOG_logtostderr=1?examples/train_net.bin?examples/imagenet_solver.prototxt

?

6、在python中使用已經訓練好的模型。

Caffe只提供封裝好的imagenet模型，給定一副圖像，直接計算出圖像的特征和進行預測。首先需要下載模型文件。

Python代碼如下：

[python]?view plain?copy ?print?

from?caffe?import?imagenet??

from?matplotlib?import?pyplot??

#?Set?the?right?path?to?your?model?file,?pretrained?model??

#?and?the?image?you?would?like?to?classify.??

MODEL_FILE?=?'examples/imagenet_deploy.prototxt'??

PRETRAINED?=?'/home/jiayq/Downloads/caffe_reference_imagenet_model’??

IMAGE_FILE?=?'/home/jiayq/lena.png'??

???

net?=?imagenet.ImageNetClassifier(MODEL_FILE,?PRETRAINED)???

#預測??

prediction?=?net.predict(IMAGE_FILE）??

#繪制預測圖像??

print?'prediction?shape:',?prediction.shape??

pyplot.plot(prediction)??

prediction?shape:?(1000,)??

[<matplotlib.lines.Line2D?at?0x8faf4d0>]?#結果如圖所示??

?

圖上的橫軸表示的label，縱軸表示在該類別上的概率，有圖我們看到，lena.jpg被分到了”sombrero”這組，結果還算準確。?

結束語

更多內容請參考http://daggerfs.com/caffe/

總結

以上是生活随笔為你收集整理的Caffe训练ImageNet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。