實踐詳細篇-Windows下使用Caffe訓練本身的Caffemodel數據集並進行圖像分類

時間  2019-12-07
標籤 實踐 詳細 windows 使用 caffe 訓練 本身 caffemodel 數據 並進 圖像 分類 欄目 Windows 简体版
原文   原文鏈接

三:使用Caffe訓練Caffemodel並進行圖像分類

上一篇記錄的是如何使用別人訓練好的MNIST數據作訓練測試。上手操做一邊後大體瞭解了配置文件屬性。這一篇記錄如何使用本身準備的圖片素材作圖像分類。第一篇《實踐詳細篇-Windows下使用VS2015編譯安裝Caffe環境(CPU ONLY) 》有講過使用Caffe的背景.因此這篇記錄使用的素材就是12306的驗證碼來進行圖像識別分類。html

一、準備素材數據庫

因爲這裏抓取到的驗證碼是整合後的大圖。就是8張小圖片合成的。因爲12306的驗證碼大圖並非固定的，而是每一張驗證碼圖片都是隨機使用一些小圖組成，因此須要將大圖進行切割爲八張小圖片，這樣才能準確的提升識別圖。windows

  大圖:網絡

  切割後的小圖:ide

注意：準備的樣本圖片命名最好有一個格式,好比同一種類型用一種編號，能夠是數字或者是數字+字母。好比獅子的編號以100開始，圖片編號就是100,101,102....。以此類推。工具

二、處理樣本並將素材轉換爲leveldb或lmdb數據格式學習

2.1.下載樣本處理工具，解壓至Caffe根目錄。結構以下:測試

在mydata目錄中分別建立train文件夾和test文件夾。train文件夾用於存放訓練樣本圖片，test文件夾用於存放測試樣本圖片。ui

注意:編碼

1、train圖片資源最好是比測試圖片多。

2、圖片尺寸須要保持統一併圖片名稱不能包含特殊字符 有規則的命名，這樣便於下一步建立標籤

2.2.建立標籤樣本

首先須要肯定本身有幾個樣本標籤。在caffe根目錄\examples目錄下新建一個文件夾testImg（這個文件夾就是後期用到的訓練主目錄了，裏面將存放均值文件+神經網絡等配置主文件。）並在testImg目錄下新建一個文本labels.txt 將樣本標籤內容填寫進去，好比咱們這裏測試用了8個標籤樣本，分別是:

1 獅子
2 海鷗
3 本子
4 剪紙
5 綠豆
6 啤酒
7 錦旗
8 金字塔

找到create_filelist.sh文件進行編輯

須要修改的地方：

         for i in 語句後面對應的就是須要循環的樣本編號 須要修改兩處，修改完成後直接運行腳本。

  1. FILETYPE 須要處理的圖片類型 我這邊使用的是png 若是你是jpg或者其餘格式就修改成別的類型便可
#!/usr/bin/env sh
DATA=mydata
FILETYPE=png ##須要處理樣本的圖片格式
echo "Create train.txt..."
rm -rf $DATA/train.txt
for i in 1 2 3 4 5 6 7 8 ##須要處理幾個樣本標籤就填寫幾個 我這裏處理8個樣本  順序最好是從0開始 我這裏以1開始迭代，可是後面我又手動處理了的
do
find $DATA/train -name $i*.$FILETYPE | cut -d '/' -f2-4 | sed "s/$/ $i/">>train.txt
done
echo "Create test.txt..."
rm -rf $DATA/test.txt
for i in 1 2 3 4 5 6 7 8 ##須要處理幾個樣本標籤就填寫幾個 我這裏處理8個樣本  
do
find $DATA/test -name $i*.$FILETYPE | cut -d '/' -f2-4 | sed "s/$/ $i/">>test.txt
done
echo "All done"
pause

執行腳本進行建立樣本文件

Administrator@2T93DQV8MG8N68O MINGW64 /e/shenduxuexi/caffe/create_img_db (windows)
$ sh create_filelist.sh
Create train.txt...
Create test.txt...
All done

執行完成後會在當前腳本目錄生成兩個文件，分別是train.txt和test.txt樣本文件。其中的內容就是使用腳本進行便利圖片而後根據圖片編號第一位生成了標籤編號，標籤編號就是用於分類使用的。每一行包含兩個內容，分別是圖片路徑和標籤編號。

手動處理:

去掉路徑（train/）/（test/），若是將圖片分類放置不一樣的文件夾的話能夠不用處理。好比train/老虎/106.png。

將編號-1  也就是 所有替換 將1 改成0 ，2改成1  以此類推，由於標籤索引從0開始能夠避免一個錯誤

train.txt文件內容:

train/100.png 1
train/101.png 1
train/103.png 1
train/104.png 1
train/105.png 1
train/106.png 1
train/108.png 1
train/109.png 1
train/110.png 1
train/112.png 1
train/201.png 2
train/202.png 2
train/203.png 2
train/204.png 2
train/205.png 2
train/206.png 2
train/207.png 2
train/208.png 2
........

test.txt內容:

test/100.png 1
test/101.png 1
test/103.png 1
test/104.png 1
test/105.png 1
test/106.png 1
test/108.png 1
test/124.png 1
test/125.png 1
test/200.png 2
test/201.png 2
test/202.png 2
test/203.png 2
test/204.png 2
test/205.png 2
test/206.png 2
test/207.png 2
test/208.png 2
test/209.png 2
test/300.png 3
test/301.png 3
test/302.png 3
test/303.png 3
.......

將兩個文件複製到examples/testImg目錄下。

2.3.資源轉換爲數據庫文件

找到create_db.sh或create_db.bat文件 進行編輯修改。（若是準備的資源素材圖片尺寸不統一則修改resize_height和resize_width表示對圖像的尺寸統一轉換。自行根據資源決定）我準備的資源尺寸都是67的，因此我在轉換的過程就不用附帶--resize_height=227 --resize_width=227參數了

#!/usr/bin/env sh
ROOTURL=E:/shenduxuexi/caffe/create_img_db ##當前文件夾絕對路徑根目錄 根據本身的項目路徑修改
BACKEND=lmdb ##須要建立的數據集格式 leveldb或lmdb 
echo "Create test $BACKEND.."
rm -rf ./mnist_test_$BACKEND
../scripts/build/tools/Release/convert_imageset --resize_height=227 --resize_width=227 --backend=$BACKEND --shuffle $ROOTURL/mydata/test/  ./test.txt ./mnist_test_$BACKEND
echo "Create train end.."

echo "Create train $BACKEND.."
rm -rf ./mnist_train_$BACKEND
../scripts/build/tools/Release/convert_imageset --resize_height=227 --resize_width=227 --backend=$BACKEND --shuffle $ROOTURL/mydata/train/  ./train.txt ./mnist_train_$BACKEND
echo "All Done.."

修改完成保存後運行create_db.sh文件進行建立圖片數據轉換,轉換成功後會分別建立兩個文件夾 mytest_test_lmdb和mytest_train_lmdb。
     2.3.1.mytest_test_lmdb文件夾中存放的就是用於測試訓練模型的數據集
     2.3.2.mytest_train_lmdb文件夾中存放的就是用於訓練的數據模型

 

如兩個文件夾中分別包含了以上兩個文件表示轉換成功了。將轉換好的數據模型（mytest_train_lmdb文件夾）和測試數據集（mytest_test_lmdb文件夾）拷貝至examples\testImg文件夾下。

三、計算圖像的均值

圖片減去均值後再訓練會提升訓練速度和精度。

caffe程序提供了一個計算均值的工具,因此咱們直接使用就能夠了

在caffe根目錄下新建一個腳本,名爲computeImageMean.bat。

第一個是啓動均值計算的程序路徑（scripts\build\tools\Release\compute_image_mean）,

第二個是須要計算均值的數據庫文件（examples\testImg\mnist_train_lmdb）

第三個是建立均值保存的路徑（examples\testImg\train_mean.binaryproto）。

路徑根據本身的項目路徑決定

::當前caffe根目錄
SET ROOTURL=E:\shenduxuexi\caffe\
%ROOTURL%scripts\build\tools\Release\compute_image_mean %ROOTURL%examples\testImg\mnist_train_lmdb %ROOTURL%examples\testImg\train_mean.binaryproto
pause

　　

建立好腳本後直接雙擊運行.

E:\shenduxuexi\caffe>E:\shenduxuexi\caffe\scripts\build\tools\Release\compute_image_mean examples\testImg\mnist_train_lmdb examples\testImg\train_mean.binaryproto
I0509 16:23:34.263166 268128 db_lmdb.cpp:40] Opened lmdb examples\testImg\mnist_train_lmdb
I0509 16:23:34.265166 268128 compute_image_mean.cpp:70] Starting iteration
I0509 16:23:34.268167 268128 compute_image_mean.cpp:101] Processed 200 files.
I0509 16:23:34.269166 268128 compute_image_mean.cpp:108] Write to examples\testImg\train_mean.binaryproto
I0509 16:23:34.269166 268128 compute_image_mean.cpp:114] Number of channels: 3
I0509 16:23:34.270167 268128 compute_image_mean.cpp:119] mean_value channel [0]: 113.79
I0509 16:23:34.270167 268128 compute_image_mean.cpp:119] mean_value channel [1]: 138.185
I0509 16:23:34.270167 268128 compute_image_mean.cpp:119] mean_value channel [2]: 160.625

如出現以上反饋即表示運行完成了，均值生成完成後進入examples\testImg文件夾會發現多出一個train_mean.binaryproto文件夾，這個就是均值文件。以上步驟都執行完成後examples\testImg文件下結構以下:

四、訓練數據模型

2.2.準備訓練神經網絡等文件夾（若是豪氣的話能夠直接點我去下載配置的好的文件，以避免出現本身新建文件出現編碼格式有誤。）

train_val.prototxt文件

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size:227   //訓練的圖像大小 建議不要過小了 過小會出現識別不出來的，識別度很低，若是設置太高的話又很是浪費時間  我資源是67的 因此我這裏修改的是67
    mean_file: "examples/testImg/train_mean.binaryproto"   //均值文件所在的路徑,改成你本身的均值文件所在的路徑
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: true
#  }
  data_param {
    source: "examples/testImg/mnist_train_lmdb" //訓練樣本生成的數據庫所在的目錄，是訓練樣本 
    batch_size: 50 //每次訓練的樣本數量 因爲咱們的訓練樣本很少,因此咱們一次讀入50張圖片就好
    backend: LMDB //數據模型的格式 lmdb或LEVELDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size:227  //訓練的圖像大小 建議不要過小了 過小會出現識別不出來的，識別度很低，若是設置太高的話又很是浪費時間  我資源是67的 因此我這裏修改的是67
    mean_file: "examples/testImg/train_mean.binaryproto" //均值文件所在的路徑,改成你本身的均值文件所在的路徑
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: false
#  }
  data_param {
    source: "examples/testImg/mnist_test_lmdb" //測試樣本生成的數據庫所在的目錄，是測試樣本目錄
    batch_size: 50 //每次測試的樣本數量 
    backend: LMDB //數據模型的格式 lmdb或LEVELDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 96
    kernel_size: 11
    stride: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
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: 8 //樣本標籤數量 咱們這裏訓練的標籤數量是8個 因此咱們填寫8
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8"
  bottom: "label"
  top: "loss"
}

solver.prototxt文件

net: "examples/testImg/train_val.prototxt" //神經網絡的配置地址
test_iter: 4 //由於咱們的訓練圖片只有200張，設爲4，而batch_size設爲50，恰好是200張
test_interval: 50 //每迭代50次， 進行一次測試
base_lr: 0.001
momentum: 0.9
weight_decay: 0.004
lr_policy: "fixed" 
display: 1
max_iter: 2000 //最大循環迭代多少次 
snapshot: 1000 //每循環多少次生成一次數據模型文件
snapshot_format: HDF5 //輸出格式
snapshot_prefix: "examples/testImg/cifar10_quick" //輸出文件的前綴
solver_mode: CPU //訓練方式

deploy.prototxt文件

name: "CaffeNet"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 10 dim: 3 dim: 227 dim: 227 } }  //這裏dim 227 兩個地方須要對應上你本身訓練時候的尺寸,不然會出現如下描述的異常
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 8
    kernel_size: 11
    stride: 4
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  inner_product_param {
    num_output: 8 //配置的標籤個數
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8"
  top: "prob"
}

三個配置文件準備完成

在caffe根目錄下新建一個run.bat文件並填寫如下代碼

scripts/build/tools/Release/caffe.exe train --solver=examples/testImg/solver.prototxt
pause

雙擊執行腳本。

以上就是正在進行訓練的過程了,看圖片設置的大小以及訓練次數決定時間。 Iteration 6就是當前已經訓練到的次數，solver.prototxt文件中的max_iter屬性決定了最大迭代次數。因此耐心等待訓練完成吧。

通過幾個小時的等待，終於訓練完成。

訓練過程因爲配置信息不一樣很容易形成失敗，如下就是整理了幾個異常信息。

異常1:

I0509 15:10:03.983913 158628 layer_factory.cpp:58] Creating layer data
I0509 15:10:03.984913 158628 db_lmdb.cpp:40] Opened lmdb examples/testImg/mnist_train_lmdb
I0509 15:10:03.984913 158628 net.cpp:84] Creating Layer data
I0509 15:10:03.984913 158628 net.cpp:380] data -> data
I0509 15:10:03.984913 158628 net.cpp:380] data -> label
I0509 15:10:03.984913 158628 data_transformer.cpp:25] Loading mean file from: examples/testImg/train_mean.binaryproto
I0509 15:10:03.984913 158628 common.cpp:36] System entropy source not available, using fallback algorithm to generate seed inste
F0509 15:10:03.985913 158628 data_transformer.cpp:466] Check failed: datum_height >= crop_size (32 vs. 227)
*** Check failure stack trace: ***

如執行run.bat出現以上錯誤的緣由是由於train_val.prototxt文件中的 crop_size: 32大小設置的和模型圖像大小不同，確認是否在 2.3.資源轉換爲數據庫文件這一步驟的時候設置的圖像大小和train_val.prototxt文件設置的crop_size大小是否一致 不一致的話須要修改crop_size屬性值。

異常2:

F0509 15:47:32.350512 263476 data_transformer.cpp:63] Check failed: datum_height == data_mean_.height() (67 vs. 24)
*** Check failure stack trace: ***

出現這種狀況的緣由是由於在生成數據模型文件（cifar10_quick_iter_2000.caffemodel.h5）的時候和數據均值文件裏面的圖像高度和寬度不一致致使的。

異常3:

t_format.cc:298] Error parsing text-format caffe.NetParameter: 17:3: Unknown enu
meration value of "lmdb" for field "backend".
F0503 09:41:57.582864  7968 upgrade_proto.cpp:88] Check failed: ReadProtoFromTex
tFile(param_file, param) Failed to parse NetParameter file: examples/mnist/lenet
_train_test.prototxt
*** Check failure stack trace: ***

由於生成的數據格式和訓練格式不一致,覈對下生成數據庫文件時設置的--backend數據格式是否和train_val.prototxt文件中的backend屬性配置的一致

五、進行測試圖像分類效果

 首先在caffe根目錄新建一個sh腳本，而後將如下代碼複製進去

./scripts/build/examples/cpp_classification/Release/classification.exe examples/testImg/deploy.prototxt examples/testImg/cifar10_quick_iter_1000.caffemodel.h5 examples/testImg/train_mean.binaryproto examples/testImg/labels.txt  E:/shenduxuexi/caffe/examples/images/212.jpg

 參數描述:

 ./scripts/build/examples/cpp_classification/Release/classification.exe  這個是caffe提供的一個C++圖像分類工具 

examples/testImg/deploy.prototxt   神經網絡的配置地址

examples/testImg/cifar10_quick_iter_1000.caffemodel.h5 訓練出來的數據模型地址

examples/testImg/train_mean.binaryproto 計算的均值文件地址

examples/testImg/labels.txt 標籤別名地址 對應的就是樣本標籤的順序 好比獅子原圖是100.png 編號索引就是1 那labels第一行就是寫一個別稱  獅子便可 這樣識別出來的時候就不是數字順序 

E:/shenduxuexi/caffe/examples/images/212.jpg 須要進行分類的測試圖片

以上參數須要根據本身電腦環境地址配置,配置完成雙擊運行。

效果圖以下：

測試過程可能出現的幾個異常狀況，這邊也親測整理了下。

異常1:

*** Check failure stack trace: ***
F0509 10:19:03.050204 651172 classification.cpp:82] Check failed: labels_.size() == output_layer->channels() (100 vs. 1000) Number of labels is different from the output layer dimension.

生成訓練模型的時候配置文件solver.prototxt配置的num_output屬性爲1000 而設置的測試lables標籤只有100，也就是訓練標籤和測試別名標籤不一致致使的

異常2:

*** Check failure stack trace: ***
F0509 19:21:29.603761 359572 hdf5.cpp:79] Check failed: blob_dims == blob->shape() Cannot load blob from h                           df5; shape mismatch. Source shape is 8 4096 (32768) target shape is 1000 4096 (4096000)

分類識別過程出現這個 是由於訓練的模型設置標籤是8個 可是識別的時候deploy.prototxt配置文件的num_output屬性是配置的1000個標籤。將num_output: 1000修改成num_output: 8便可

layer {
name: "fc8"
type: "InnerProduct"
bottom: "fc7"
top: "fc8"
inner_product_param {
num_output: 1000
}
} 

異常3:

---------- Prediction for E:/shenduxuexi/caffe/examples/images/730 ----------
*** Check failure stack trace: ***
F0510 15:52:47.969362 721856 classification.cpp:251] Check failed: !img.empty()                          Unable to decode image E:/shenduxuexi/caffe/examples/images/730

主要緣由是由於須要被識別分類的圖片路徑有問題,須要附帶圖片後綴。不知爲什麼我跑PNG的圖片作分類也是這個錯誤，因此若是使用的是.png後綴格式圖片出現以上錯誤的話就將圖片進行格式轉換便可。點我下載批量轉換圖片工具

 總結:

歷經長久的學習和嘗試，終於完美的運行了本身想要的結果。三篇博客都是匆匆忙忙記錄的，由於我也是初學，剛接觸。在安裝caffe的過程也是踩了很多坑，作訓練本身的圖片素材也是，因此我記錄這篇博客的主要緣由是爲了方便本身後期的使用，那麼既然本身記錄了也順便分享出來但願能幫助有須要的小夥伴。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程