深度学习（十三）caffe之训练数据格式

caffe之训练数据格式

原文地址：http://blog.csdn.net/hjimce/article/details/49248231

作者：hjimce
caffe对于训练数据格式，支持：lmdb、



h5py……，其中lmdb数据格式常用于单标签数据，像分类等，经常使用lmdb的数据格式。对于回归等问题，或者多标签数据，一般使用h5py数据的格式。当然好像还有其它格式的数据可用，不过我一般使用这两种数据格式，因此本文就主要针对这两种数据格式的制作方法，进行简单讲解。

一、lmdb数据

lmdb用于单标签数据。为了简单起见，我后面通过一个性别分类作为例子，进行相关数据制作讲解。

１、数据准备

首先我们要准备好训练数据，然后新建一个名为train的文件夹和一个val的文件夹：



train文件存放训练数据，val文件存放验证数据。然后我们在train文件下面，把训练数据性别为男、女图片各放在一个文件夹下面：



同样的我们在val文件下面也创建文件夹：



两个文件也是分别存我们用于验证的图片数据男女性别文件。我们在test_female下面存放了都是女性的图片，然后在test_male下面存放的都是验证数据的男性图片。

２、标签文件.txt文件制作.

接着我们需要制作一个train.txt、val.txt文件，这两个文件分别包含了我们上面的训练数据的图片路径，以及其对应的标签，如下所示。



我们把女生图片标号为１，男生图片标记为０。标签数据文件txt的生成可以通过如下代码，通过扫描路径男、女性别下面的图片，得到标签文件train.txt和val.txt：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;"><span style="font-size:18px;">import os

import numpy as np

from matplotlib import pyplot as plt

import cv2

import shutil

#扫面文件

def GetFileList(FindPath,FlagStr=[]):

import os

FileList=[]

FileNames=os.listdir(FindPath)

if len(FileNames)>0:

for fn in FileNames:

if len(FlagStr)>0:

if IsSubString(FlagStr,fn):

fullfilename=os.path.join(FindPath,fn)

FileList.append(fullfilename)

else:

fullfilename=os.path.join(FindPath,fn)

FileList.append(fullfilename)

if len(FileList)>0:

FileList.sort()

return FileList

def IsSubString(SubStrList,Str):

flag=True

for substr in SubStrList:

if not(substr in Str):

flag=False

return flag

txt=open('train.txt','w')

#制作标签数据，如果是男的，标签设置为０，如果是女的标签为１

imgfile=GetFileList('first_batch/train_female')

for img in imgfile:

str=img+'\t'+'1'+'\n'

txt.writelines(str)

imgfile=GetFileList('first_batch/train_male')

for img in imgfile:

str=img+'\t'+'0'+'\n'

txt.writelines(str)

txt.close()</span></span></span>

把生成的标签文件，和train\val文件夹放在同一个目录下面：



需要注意，我们标签数据文件里的文件路径和图片的路径要对应的起来，比如val.txt文件的某一行的图片路径，是否在val文件夹下面：



３、生成lmdb数据

接着我们的目的就是要通过上面的四个文件，把图片的数据和其对应的标签打包起来，打包成lmdb数据格式，打包脚本如下：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;">#!/usr/bin/env sh

# Create the imagenet lmdb inputs

# N.B. set the path to the imagenet train + val data dirs

EXAMPLE=. # 生成模型训练数据文化夹

TOOLS=／/../build/tools # caffe的工具库，不用变

DATA=. # python脚步处理后数据路径

TRAIN_DATA_ROOT=train/ #待处理的训练数据

VAL_DATA_ROOT=val/ # 带处理的验证数据

# Set RESIZE=true to resize the images to 256x256. Leave as false if images have

# already been resized using another tool.

RESIZE=true#是否需要对图片进行resize

if $RESIZE; then

RESIZE_HEIGHT=256

RESIZE_WIDTH=256

else

RESIZE_HEIGHT=0

RESIZE_WIDTH=0

fi

if [ ! -d "$TRAIN_DATA_ROOT" ]; then

echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"

echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path" \

"where the ImageNet training data is stored."

exit 1

fi

if [ ! -d "$VAL_DATA_ROOT" ]; then

echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"

echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \

"where the ImageNet validation data is stored."

exit 1

fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \

--resize_height=$RESIZE_HEIGHT \

--resize_width=$RESIZE_WIDTH \

--shuffle \

$TRAIN_DATA_ROOT \

$DATA/train.txt \

$EXAMPLE/train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \

--resize_height=$RESIZE_HEIGHT \

--resize_width=$RESIZE_WIDTH \

--shuffle \

$VAL_DATA_ROOT \

$DATA/val.txt \

$EXAMPLE/val_lmdb

echo "Done."</span></span>

通过运行上面的脚本，我们即将得到文件夹train_lmdb\val_lmdb：



我们打开train_lmdb文件夹



并查看一下文件data.mdb数据的大小，如果这个数据包好了我们所有的训练图片数据，查一下这个文件的大小是否符合预期大小，如果文件的大小才几k而已，那么就代表你没有打包成功，估计是因为路径设置错误。我们也可以通过如下的代码读取上面打包好的数据，把图片、和标签打印出来，查看一下，查看lmdb数据请参考下面的代码：

python lmdb数据验证：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;"># coding=utf-8

caffe_root = '/home/hjimce/caffe/'

import sys

sys.path.insert(0, caffe_root + 'python')

import caffe

import os

import lmdb

import numpy

import matplotlib.pyplot as plt

def readlmdb(path,visualize = False):

env = lmdb.open(path, readonly=True,lock=False)

datum = caffe.proto.caffe_pb2.Datum()

x=[]

y=[]

with env.begin() as txn:

cur = txn.cursor()

for key, value in cur:

# 转换为datum

datum.ParseFromString(value)

# 读取datum数据

img_data = numpy.array(bytearray(datum.data))\

.reshape(datum.channels, datum.height, datum.width)

print img_data.shape

x.append(img_data)

y.append(datum.label)

if visualize:

img_data=img_data.transpose([1,2,0])

img_data = img_data[:, :, ::-1]

plt.imshow(img_data)

plt.show()

print datum.label

return x,y</span></span>

通过上面的函数，我们可以是读取相关的lmdb数据文件。

４、制作均值文件。

这个是为了图片归一化而生成的图片平均值文件，把所有的图片相加起来，做平均，具体的脚本如下：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;">#!/usr/bin/env sh

# Compute the mean image from the imagenet training lmdb

# N.B. this is available in data/ilsvrc12

EXAMPLE=.

DATA=train

TOOLS=../../build/tools

$TOOLS/compute_image_mean $EXAMPLE/train_lmdb \　　＃train_lmdb是我们上面打包好的lmdb数据文件

$DATA/imagenet_mean.binaryproto

echo "Done."</span></span>

运行这个脚本，我们就可以训练图片均值文件：imagenet_mean.binaryproto

至此，我们得到了三个文件：imagenet_mean.binaryproto、train_lmdb、val_lmdb，这三个文件就是我们最后打包好的数据，这些数据我们即将作为caffe的数据输入数据格式文件，把这三个文件拷贝出来，就可以把原来还没有打包好的数据删了。这三个文件，我们在caffe的网络结构文件，数据层定义输入数据的时候，就会用到了：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;">name: "CaffeNet"

layers {

name: "data"

type: DATA

top: "data"

top: "label"

data_param {

source: "train_lmdb"＃lmbd格式的训练数据

backend: LMDB

batch_size: 50

}

transform_param {

crop_size: 227

mirror: true

mean_file:"imagenet_mean.binaryproto"＃均值文件

}

include: { phase: TRAIN }

}

layers {

name: "data"

type: DATA

top: "data"

top: "label"

data_param {

source: "val_lmdb"＃lmdb格式的验证数据

backend: LMDB

batch_size: 50

}

transform_param {

crop_size: 227

mirror: false

mean_file:"imagenet_mean.binaryproto"＃均值文件

}

include: { phase: TEST }

}</span></span>

二、h5py格式数据

上面的lmdb一般用于单标签数据，图片分类的时候，大部分用lmdb格式。然而假设我们要搞的项目是人脸特征点识别，我们要识别出68个人脸特征点，也就是相当于136维的输出向量。网上查了一下，对于caffe多标签输出，需要使用h5py格式的数据，而且使用h5py的数据格式的时候，caffe是不能使用数据扩充进行相关的数据变换的，很是悲剧啊，所以如果caffe使用h5py数据格式的话，需要自己在外部，进行数据扩充，数据归一化等相关的数据预处理操作。

1、h5py数据格式生成

下面演示一下数据h5py数据格式的制作：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;"># coding: utf-8

caffe_root = '/home/hjimce/caffe/'

import sys

sys.path.insert(0, caffe_root + 'python')

import os

import cv2

import numpy as np

import h5py

from common import shuffle_in_unison_scary, processImage

import matplotlib.pyplot as plt

def readdata(filepath):

fr=open(filepath,'r')

filesplit=[]

for line in fr.readlines():

s=line.split()

s[1:]=[float(x) for x in s[1:]]

filesplit.append(s)

fr.close()

return filesplit

#因为我们的训练数据可能不是正方形，然而网络的输入的大小是正方形图片，为了避免强制resize引起的图片扭曲，所以我们采用填充的方法

def sqrtimg(img):

height,width=img.shape[:2]

maxlenght=max(height,width)

sqrtimg0=np.zeros((maxlenght,maxlenght,3),dtype='uint8')

sqrtimg0[(maxlenght*.5-height*.5):(maxlenght*.5+height*.5),(maxlenght*.5-width*.5):(maxlenght*.5+width*.5)]=img

return sqrtimg0

def generate_hdf5():

labelfile =readdata('../data/my_alige_landmark.txt')

F_imgs = []

F_landmarks = []

for i,l in enumerate(labelfile):

imgpath='../data/'+l[0]

img=cv2.imread(imgpath)

maxx=max(img.shape[0],img.shape[1])

img=sqrtimg(img)#把输入图片填充成正方形，因为我们要训练的图片的大小是正方形的图片255*255

img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#图片转为灰度图像

f_face=cv2.resize(img,(39,39))#把图片缩放成255＊255的图片

# F

plt.imshow(f_face,cmap='gray')

f_face = f_face.reshape((1, 39, 39))

f_landmark =np.asarray(l[1:],dtype='float')

F_imgs.append(f_face)

#归一化人脸特征点标签,因为上面height等于width，这里比较懒，直接简写

f_landmark=f_landmark/maxx #归一化到0～１之间

print f_landmark

F_landmarks.append(f_landmark)

F_imgs, F_landmarks = np.asarray(F_imgs), np.asarray(F_landmarks)

F_imgs = processImage(F_imgs)#图片预处理，包含均值归一化，方差归一化等

shuffle_in_unison_scary(F_imgs, F_landmarks)#打乱数据

#生成h5py格式

with h5py.File(os.getcwd()+ '/train_data.h5', 'w') as f:

f['data'] = F_imgs.astype(np.float32)

f['landmark'] = F_landmarks.astype(np.float32)

#因为caffe的输入h5py不是直接使用上面的数据，而是需要调用.txt格式的文件

with open(os.getcwd() + '/train.txt', 'w') as f:

f.write(os.getcwd() + '/train_data.h5\n')

print i

if __name__ == '__main__':

generate_hdf5()</span></span>

利用上面的代码，可以生成一个train.txt、train_data.h5的文件，然后在caffe的prototxt中，进行训练的时候，可以用如下的代码，作为数据层的调用：

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;"><span style="font-size:18px;">layer {

name: "hdf5_train_data"

type: "HDF5Data" #需要更改类型

top: "data"

top: "landmark"

include {

phase: TRAIN

}

hdf5_data_param { #这个参数类型h5f5_data_param记得要更改

source: "h5py/train.txt" #上面生成的train.txt文件

batch_size: 64

}

}

</span></span>

上面需要注意的是，相比与lmdb的数据格式，我们需要该动的地方，我标注的地方就是需要改动的地方，还有h5py不支持数据变换。

2、h5py数据读取

[python] view
plain copy







<span style="font-family:Arial;font-size:18px;">f=h5py.File('../h5py/train.h5','r')

x=f['data'][:]

x=np.asarray(x,dtype='float32')

y=f['label'][:]

y=np.asarray(y,dtype='float32')

print x.shape

print y.shape</span>

可以通过上面代码，查看我们生成的.h5格式文件。

在需要注意的是，我们输入caffe的h5py图片数据为四维矩阵（number_samples,nchannels,height,width）的矩阵，标签矩阵为二维（number_samples,labels_ndim）,同时数据的格式需要转成float32，用于回归任务。

**********************作者：hjimce 时间：2015.10.2 联系QQ：1393852684 地址：http://blog.csdn.net/hjimce
原创文章，版权所有，转载请保留本行信息（不允许删除）