caffe框架图像处理常用命令

以下均以caffe根目录和mnist例子为准（前提是mnist图片已下载且train/test.txt已生成，若未完成，请参考从以下文章：http://www.cnblogs.com/denny402/p/5083300.html）：

（1）使用caffe自带的convert_imageset可执行文件将图片格式转化为lmdb格式（自带的下载文件已经转化好了，这里是指将自己的训练图片转化格式的方法）命令：sudo ./build/tools/convert_imageset --shuffle=true /home/xxx/caffe/examples/mnist/
./examples/mnist/train/train.txt examples/mnist/train/train_lmdb

参数：可执行文件地址  参数组 图片数据地址  train.txt地址  格式转化数据的保存地址
(以上是train图片，test图片更改相应目录地址就可以)

（2）使用caffe自带compute_image_mean可执行文件生成mnist手写字的均值文件命令：

sudo ./build/tools/compute_image_mean
examples/mnist/train/train_lmdb examples/mnist/mnist_mean.binaryproto

参数：可执行文件地址 转化格式后的训练数据地址 均值文件包保存地址

（3）使用caffe自带的caffe可执行文件生成mnist训练模型命令：

sudo ./build/tools/caffe train --solver=examples/mnist/solver.prototxt

参数：可执行文件地址 参数  配置文件地址

（4）使用caffe自带的mnist模型训练好后，使用该模型测试手写字识别精度的命令：

sudo ./build/tools/caffe test --model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel

参数：可执行文件地址 网络模型地址 训练模型地址

（5）使用caffe的CPP版本的calssification.bin对单张手写字进行分类命令：

sudo ./build/examples/cpp_classification/classification.bin \
examples/mnist/deploy.prototxt \
examples/mnist/lenet_iter_10000.caffemodel \
examples/mnist/mnist_mean.binaryproto \
examples/mnist/synset_words.txt \
examples/mnist/4.jpeg

（4.JPEG是自己的待测图片，复制到mnist/下即可）

注意：上述有两个文件未解释，分别是deploy.prototxt和synset_works.txt。

deploy.prototxt是根据我们训练模型时使用模型文件修改首尾部而来，我是用的训练模型文件是lenet_train_test.prototxt，可如下修改，

1）将原文件首部的如下两个数据层删除，然后添加自己的数据输入层：

layer {
name: "mnist"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/mnist/train/train_lmdb"
batch_size: 64
backend: LMDB
}
}
layer {
name: "mnist"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/mnist/test/test_lmdb"
batch_size: 100
backend: LMDB
}
}

添加（我的测试图片是3通道的，所以第二个dim是3）：

layer {
name: "data"
type: "Input"
top: "data"
input_param { shape:{ dim: 1 dim: 3 dim: 28 dim: 28 } }
}

2）删除尾部的Accuracy和loss层，如下：

layer {
name: "accuracy"
type: "Accuracy"
bottom: "ip2"
bottom: "label"
top: "accuracy"
include {
phase: TEST
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"
bottom: "label"
top: "loss"
}

添加：

layer {
name: "prob"
type: "Softmax"
bottom: "ip2"
top: "prob"
}

synset_works.txt文件就是examples/mnist/test/labels.txt文件，内容为：

0
1
2
3
4
5
6
7
8
9

到此为止，测试单张图片的文件都准备完了，使用上述./build/examples/cpp_classification/classification.bin命令就可以进行测试。