caffe系列学习博客网址
2017-12-07 16:13
483 查看
http://www.cnblogs.com/denny402/category/759199.html
根据这个教程里面还有需要注意的地方:
(1)(在creatfile_list.sh)文件中,path,data,my 这些路径一定不要写错了。
(2222) 还有就是如果你的图片不是以数字开头,也许需要改下
在train_val.prototxt文件根据修改后,如果你的分类不需要1000个,应该经下面的num_outpot改为相应的分类数量,同时从modeld文件夹下的bvlc_reference_caffenet文件下下复制deploy文件,因为你之前的sovel和train.val都是从这里复制的,因此需要从这里复制。并且也要修改里面的num_output。同时synsets.txt文件不需要1000行,仅仅留下你分类的行数,并标上名字。
(2)在开始训练的时候会出现restart data 这类命令,不要在意,让他自己慢慢运行就行,不用管。
按照教程执行后会生成model文件,就在caffe根目录下。以iterationxxx.model名字
还有下面的需要做:
deploy.prototxt自己复制并且改:
https://www.cnblogs.com/k7k8k91/p/7806232.html
同时记得这个修改一定要参照原来的东西,在dim dim dim dim 后面两个dim记得参照修改前的数值(227,227),不是256,也不是图像的实际大小。
之后还有一个文件叫synsets.txt
这个文件一定是需要的。
由于原来的网络层的定义你最后的输出是1000,所以你的这个文件一定要有1000行,当然我们自己训练肯定是不需要分1000类的,我们仅仅需要根据你的图片分类顺序填上你的分类名称就好,多余的可以空着不填。
训练命令:
模型训练好后需要测试:
根据这个教程里面还有需要注意的地方:
(1)(在creatfile_list.sh)文件中,path,data,my 这些路径一定不要写错了。
(2222) 还有就是如果你的图片不是以数字开头,也许需要改下
find $DATA/train -name "p*.bmp" | cut -d '/' -f4-5 | sed "s/$/ 0/">>$MY/train.txt find $DATA/train -name "i*.bmp" | cut -d '/' -f4-5 | sed "s/$/ 1/">>$MY/train.txt
在train_val.prototxt文件根据修改后,如果你的分类不需要1000个,应该经下面的num_outpot改为相应的分类数量,同时从modeld文件夹下的bvlc_reference_caffenet文件下下复制deploy文件,因为你之前的sovel和train.val都是从这里复制的,因此需要从这里复制。并且也要修改里面的num_output。同时synsets.txt文件不需要1000行,仅仅留下你分类的行数,并标上名字。
layer { name: "fc8" type: "InnerProduct" bottom: "fc7" top: "fc8" param { lr_mult: 1 decay_mult: 1 } param { lr_mult: 2 decay_mult: 0 } inner_product_param { num_output: 2 weight_filler { type: "gaussian" std: 0.01 } bias_filler { type: "constant" value: 0 } } }
(2)在开始训练的时候会出现restart data 这类命令,不要在意,让他自己慢慢运行就行,不用管。
按照教程执行后会生成model文件,就在caffe根目录下。以iterationxxx.model名字
还有下面的需要做:
deploy.prototxt自己复制并且改:
https://www.cnblogs.com/k7k8k91/p/7806232.html
同时记得这个修改一定要参照原来的东西,在dim dim dim dim 后面两个dim记得参照修改前的数值(227,227),不是256,也不是图像的实际大小。
之后还有一个文件叫synsets.txt
这个文件一定是需要的。
n01440764 car n01443537 konglong n01484850 daxiang n01491361 hua n01494475 ma n01496331 6 n01498041 n01514668 n01514859 n01518878 n01530575 n01531178 n01532829 n01534433 n01537544 n01558993 n01560419 n01580077 n01582220 n01592084 n01601694 n01608432 n01614925 n01616318 n01622779 n01629819
由于原来的网络层的定义你最后的输出是1000,所以你的这个文件一定要有1000行,当然我们自己训练肯定是不需要分1000类的,我们仅仅需要根据你的图片分类顺序填上你的分类名称就好,多余的可以空着不填。
训练命令:
sudo build/tools/caffe train -solver examples/myfile/solver.prototxt
模型训练好后需要测试:
sudo ./build/examples/cpp_classification/classification.bin examples/myfile2/deploy.prototxt _iter_920.caffemodel examples/myfile2/mean.binaryproto examples/myfile2/synsets.txt data/re2/test/pic291.bmp
相关文章推荐
- 一个很棒的caffe框架系列的基础学习博客(网址)
- Caffe源码学习系列二----卷积层
- 博客整理:Oracle 表系列学习目录
- 深度学习与人脸识别系列(1)__算法流程和教程大纲(基于caffe)
- caffe学习系列:训练自己的图片集(超详细教程)
- Caffe深度学习入门——Ubuntu16.04 + CUDA9.1+cudnn7.5 + opencv3.3.1+python3.5+caffe安装参考博客和跳坑笔记
- Caffe学习系列(17): blob
- Web前端学习时用到的教学博客和网址
- elasticsearch 学习博客系列<五> ES 中 index-doc 的 更新(java)
- Caffe学习系列(10):命令行解析
- caffe学习系列:数据增强
- Caffe学习系列(22):caffe图形化操作工具digits运行实例
- Caffe学习系列(12):训练和测试自己的图片
- caffe学习系列:绘制网络模型
- Caffe学习系列(四):激活层(Activiation Layers)及参数
- caffe学习系列(7):Blob,layer,Net介绍
- Caffe学习系列(17):模型各层特征和过滤器可视化
- 深度学习与人脸识别系列(2)__深度学习的环境搭建(ubuntu+caffe)
- 深度学习系列文章之三:caffe+ubantu14.04+cuda7.5+cudnn7.0v3+openvc3.0安装
- 深度学习与人脸识别系列(4)__利用caffe训练深度学习模型