微调CaffeNet用于车颜色识别

说明：主要思想是微调使用ImageNet预训练的CaffeNet模型参数，用来对车颜色进行识别。为了不和其他文件混乱，我们在examples下新建文件夹finetune_myself。

1.计算图像均值

caffenet需要图像均值文件，所以先计算均值文件。在finetune_myself下新建文件夹Image_mean，从imagenet中拷贝make_imagenet_mean.sh到finetune_myself下，更名为make_image_mean.sh(为了和imagenet区分),然后修改脚本如下：

EXAMPLE=examples/finetune_myself #该路径下为训练图像的lmdb文件
DATA=examples/finetune_myself/Image_mean #该路径为生成的均值文件保存的地方
TOOLS=build/tools

$TOOLS/compute_image_mean $EXAMPLE/car_train_lmdb \ #这里的lmdb和自己的对应
  $DATA/image_mean.binaryproto #生成的均值文件名字，这里为了区分改一下名字

这样，生成的均值文件保存在finetune_myself下的Image_mean文件夹里，名字为image_mean.binaryproto。

（实验中发现直接用ImageNet的均值文件也没有什么问题，感觉均值文件影响并不大啊！！！）

2.准备caffenet模型

在finetune_myself下新建文件夹，命名为models，将caffenet的train_val.prototxt、solver.prototxt和deploy.prototxt复制到此models文件夹里，然后，对模型进行修改。假设我们的训练集类别是m，那么fc8层的num_output需要修改成m，又由于finetune时用到的权重是根据层名匹配的，而fc8的num_output已经修改，该层的参数必须重新学习，所以我们把该层的名字也进行修改，如改为fc8_myself。具体修改如下。

对train_val.prototxt的修改：

（1） mean_file路径："examples/finetune_myself/Image_mean/image_mean.binaryproto"

训练和测试阶段的data层均要修改。

（2）假设训练集和测试集的lmdb文件在finetune_myself下，所以训练阶段的的data层：

data_param {
 source:"examples/finetune_myself/car_train_lmdb"
 batch_size: 50 #这里自己可以修改合适的batch大小
 backend:LMDB
}

同理，TEST阶段的data层也作同样的修改。即：

data_param{
    source: "examples/finetune_myself/car_test_lmdb"
    batch_size:50
    backend:LMDB
  }

（3）修改fc8层和相关层
将层名改为fc8_myself(当然其他也行)，并修改权重的lr_mult=10，bias的lr_mult=20，目的是让非微调层学习更快。num_output修改为类别数。具体如下：

layer {
  name: "fc8_myself"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8_myself"
  param {
    lr_mult: 10
    decay_mult: 1
  }
  param {
    lr_mult: 20
    decay_mult: 0
  }
  inner_product_param {
    num_output: 8  #根据类别修改，我做的实验为8类
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}

与fc8相关的层也要修改：

layer {
  name:"accuracy"
  type:"Accuracy"
  bottom: "fc8_myself"
  bottom:"label"
  top:"accuracy"
  include {
  phase: TEST
  }
}

layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8_myself"
  bottom: "label"
  top: "loss"
}

对solver.prototxt的修改：

主要是

net:"examples/finetune_myself/models/train_val.prototxt"，

该路径改为train_val.Prototxt的路径。

还有

snapshot_prefix:"examples/finetune_myself/models"

此路径是训练过程得到的caffemodel和solverstate保存路径,按自己想保存的路径更改。

对deploy.prototxt的修改：

网络的名字name要与train_val.prototxt相同。然后修改fc8层和相关层：

layer {
  name: "fc8_myself"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8_myself"
  inner_product_param {
  num_output: 8 #根据类别数改
  }
}

layer {
  name:"prob"
  type:"Softmax"
  bottom: "fc8_myself"
  top:"prob"
}

这样，模型就改好了。

3.准备预训练好的caffenet模型参数

finetune_myself下新建文件夹pre_train_models,运行

./scripts/download_model_binary.py examples/finetune_myself/pre_train_models

即将文件下载在pre_train_models中。

4.开始训练

./build/tools/caffe train –solver examples/finetune_myself/models/solver.ptototxt –weights examples/finetune_myself/pre_train_models/bvlc_reference_caffenet

5.结果

训练结果

：

精度还是挺高的。

训练完成后，得到caffemodel文件：



测试：

./build/examples/cpp_classification/classification.bin **/**/deploy.prototxt **/***/models_iter_100000.caffemodel **/**/image_mean.binaryproto **/**/labels.txt **/**/car.jpg

这些路径按自己的设置，labels是标签，比如你的train.txt中白色标签是0，红色标签是1，那么labels中第一行是white，第二行是red，其他的也是这样按顺序排。



结果：

white - "0.9963"
gray - "0.0036"
green - "0.0001"

输出前三个预测结果