caffe训练自己的图片进行分类预测

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。