caffe训练自己的图片进行分类预测
2017-03-08 21:17
501 查看
搭建好caffe环境后,就需要用自己的图片进行分类预测,主要步骤如下,主要参照http://www.cnblogs.com/denny402/p/5083300.html,感谢博主:
1、数据准备,下载待训练的图片集,共5类400张,测试集100张,目录分别为data\re\train,data\re\val,新建test.txt、val.txt。
2、转换数据为lmdb,复制create_imagenet.sh文件,修改参数为
3、计算均值文件,复制make_imagenet_mean.sh文件,修改参数为
4、制作网络模型,caffe中提供了很多成熟的模型,我们先直接拿过来用,主要用bvlc_reference_caffenet下的模型,复制.\models\bvlc_reference_caffenet\目录下的deploy.prototxt、solver.prototxt、train_val.prototxt三个文件,首先打开train_val.prototxt文件,修改mean、train_lmdb、val_lmdb文件路径,然后修改全连接层fc8的输出num,即分类数,
同样打开deploy.prototxt文件,修改num_output为5(5个类别),然后打开solver.prototxt,修改如下,具体参数意义在此不做说明
5、开始训练模型,新建.sh文件,输入
set -e
.D:/caffe/caffe-windows/Build/x64/Release/caffe train \
–solver=D:/caffe/caffe-windows/data/re/solver.prototxt $@
pause
cpu情况下需要训练好几个小时。
6、查看训练结果,待训练完成后,会在相应的路径下生成.caffemodel文件,即我们训练的模型,新建.sh文件,输入
D:\caffe\caffe-windows\Build\x64\Release\caffe.exe test –model=D:\caffe\caffe-windows\data\re\train_val.prototxt –weights=D:\caffe\caffe-windows\data\re\caffenet_train_iter_2000.caffemodel
pause
可以查看模型的训练结果,模型准确度比较低,说明网络模型没有设计好,这里只讲流程,网络模型需要进一步的研究
7、分类预测,模型训练完成后,就可以输入图片进行分类预测,在根目录下新建.sh文件,输入
Build\x64\Release\classification.exe data\re\deploy.prototxt data\re\caffenet_train_iter_2000.caffemodel data\re\imagenet_mean.binaryproto data\re\test.txt data\re\val\401.jpg
pause
主要有6个参数,第一个是Release下生成的classification.exe文件,第二个是预测文件,deploy.prototxt相对于train_val.prototxt少了data层,第三个是生成的网络模型,第四个是均值文件,第五个是类别文件,第六个是待预测分类的图片
识别率不是很高,需要进一步优化网络模型。
1、数据准备,下载待训练的图片集,共5类400张,测试集100张,目录分别为data\re\train,data\re\val,新建test.txt、val.txt。
2、转换数据为lmdb,复制create_imagenet.sh文件,修改参数为
3、计算均值文件,复制make_imagenet_mean.sh文件,修改参数为
4、制作网络模型,caffe中提供了很多成熟的模型,我们先直接拿过来用,主要用bvlc_reference_caffenet下的模型,复制.\models\bvlc_reference_caffenet\目录下的deploy.prototxt、solver.prototxt、train_val.prototxt三个文件,首先打开train_val.prototxt文件,修改mean、train_lmdb、val_lmdb文件路径,然后修改全连接层fc8的输出num,即分类数,
同样打开deploy.prototxt文件,修改num_output为5(5个类别),然后打开solver.prototxt,修改如下,具体参数意义在此不做说明
5、开始训练模型,新建.sh文件,输入
set -e
.D:/caffe/caffe-windows/Build/x64/Release/caffe train \
–solver=D:/caffe/caffe-windows/data/re/solver.prototxt $@
pause
cpu情况下需要训练好几个小时。
6、查看训练结果,待训练完成后,会在相应的路径下生成.caffemodel文件,即我们训练的模型,新建.sh文件,输入
D:\caffe\caffe-windows\Build\x64\Release\caffe.exe test –model=D:\caffe\caffe-windows\data\re\train_val.prototxt –weights=D:\caffe\caffe-windows\data\re\caffenet_train_iter_2000.caffemodel
pause
可以查看模型的训练结果,模型准确度比较低,说明网络模型没有设计好,这里只讲流程,网络模型需要进一步的研究
7、分类预测,模型训练完成后,就可以输入图片进行分类预测,在根目录下新建.sh文件,输入
Build\x64\Release\classification.exe data\re\deploy.prototxt data\re\caffenet_train_iter_2000.caffemodel data\re\imagenet_mean.binaryproto data\re\test.txt data\re\val\401.jpg
pause
主要有6个参数,第一个是Release下生成的classification.exe文件,第二个是预测文件,deploy.prototxt相对于train_val.prototxt少了data层,第三个是生成的网络模型,第四个是均值文件,第五个是类别文件,第六个是待预测分类的图片
识别率不是很高,需要进一步优化网络模型。
相关文章推荐
- caffe训练自己的图片进行分类预测--windows平台
- 使用caffe中的imagenet对自己的图片进行分类训练(超级详细版)
- 使用caffe中的imagenet对自己的图片进行分类训练(超级详细版)
- caffe学习--使用caffe中的imagenet对自己的图片进行分类训练(超级详细版) -----linux
- 使用caffe中的imagenet对自己的图片进行分类训练(超级详细版)
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-4应用生成模型进行预测
- caffe + win10基于CaffeNet网络框架训练自己的图片进行分类(实践篇)
- 使用训练好的googlenet caffemodel进行图片分类
- caffe 进行自己的imageNet训练分类:loss一直是87.3365,accuracy一直是0
- caffe+python 使用训练好的VGG16模型 对 单张图片进行分类,输出置信度
- 【caffe】使用自己的图像数据训练lenet并用opencv进行预测
- caffe+python 使用训练好的VGG16模型 对 单张图片进行分类,输出置信度
- 使用现有的基于caffe训练好的imagenet model进行图片分类
- 用caffe对自己的图片进行分类,包含详细代码
- Linux下使用Caffe对图片进行训练并分类的简单流程
- caffe训练自己的图片分类模型
- 使用Caffe对图片进行训练并分类的简单流程
- caffe生成caffemodel以及利用caffemodel进行对自己的图片分类
- 使用Caffe训练适合自己样本集的AlexNet网络模型,并对其进行分类
- !!使用Caffe对图片进行训练并分类的简单流程