caffe训练自己的模型：全流程

ゞ浴缸里的玫瑰 2022-03-21 03:17 386阅读 0赞

最近做项目，将使用mobilenetv2 caffe模型，从自己准备数据，到训练， 整体走了一遍流程。

1、图像预处理

融合了差不多10个年龄数据集，得到一个数量40万，1-60岁的数据集。

2、生成imdb文件

（1）使用python脚本，生成文件名和标签文件：train.txt，valid.txt和test.txt文件

（2）修改sh脚本，生成train和valid的imdb文件

3、生成均值文件

使用sh脚本，根据上述imdb文件生成均值文件

4、模型训练

（1）模型文件准备：sovler.prototxt, train\_valid.prototxt, deploy.prototxt

模型文件来自：[https://github.com/shicai/MobileNet-Caffe][https_github.com_shicai_MobileNet-Caffe]

sovler.prototxt是调用文件，train\_valid.prototxt是训练和验证模型结构，deploy.prototxt是测试模型结构。

train\_valid.prototxt和deploy.prototxt区别在于，前者添加了输入，并且输出做了一下修改。其他都一样。

train\_valid.prototxt文件输入格式修改参照：

[https://www.cnblogs.com/denny402/p/5083300.html][https_www.cnblogs.com_denny402_p_5083300.html]

另外，输入输出修改，可以参照caffe中的示例model：

.../caffe/models/bvlc\_reference\_caffenet

输入修改：

> name: "CaffeNet"  
> layer \{  
>   name: "data"  
>   type: "Data"  
>   top: "data"  
>   top: "label"  
>   include \{  
>     phase: TRAIN  
>   \}  
>   transform\_param \{  
>     mirror: true  
>     crop\_size: 227  
>     mean\_file: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata\_mean.binaryproto"  
>   \}  
> \# 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: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata\_train\_lmdb"  
>     batch\_size: 25  
>     backend: LMDB  
>   \}  
> \}  
> layer \{  
>   name: "data"  
>   type: "Data"  
>   top: "data"  
>   top: "label"  
>   include \{  
>     phase: TEST  
>   \}  
>   transform\_param \{  
>     mirror: false  
>     crop\_size: 227  
>     mean\_file: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata\_mean.binaryproto"  
>   \}  
> \# 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: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata\_test\_lmdb"  
>     batch\_size: 20  
>     backend: LMDB  
>   \}  
> \}

输出修改：

现将输出个数修改成自己需要的，再将prob层改成如下：

> 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"
> 
>  \}

（2）训练

./build/tools/caffe train --solver=examples/myExample/solver.prototxt

./build/tools/caffe train --solver=examples/myExample/solver.prototxt --gpu 0,1

3篇caffe训练模型的新手贴：

（1）caffe 训练自己的分类模型：

[https://blog.csdn.net/hust\_bochu\_xuchao/article/details/78986687][https_blog.csdn.net_hust_bochu_xuchao_article_details_78986687]

（2）caffe学习系列：训练自己的图片集（超详细教程）

[https://blog.csdn.net/qq\_27923041/article/details/54139887/][https_blog.csdn.net_qq_27923041_article_details_54139887]

（3）[caffe简易上手指南（二）—— 训练我们自己的数据][caffe_]

[https://www.cnblogs.com/alexcai/p/5469436.html][caffe_]

caffe训练准备可能出现的问题汇总：

[https://blog.csdn.net/u010417185/article/details/52649178][https_blog.csdn.net_u010417185_article_details_52649178]

[https_github.com_shicai_MobileNet-Caffe]: https://github.com/shicai/MobileNet-Caffe
[https_www.cnblogs.com_denny402_p_5083300.html]: https://www.cnblogs.com/denny402/p/5083300.html
[https_blog.csdn.net_hust_bochu_xuchao_article_details_78986687]: https://blog.csdn.net/hust_bochu_xuchao/article/details/78986687
[https_blog.csdn.net_qq_27923041_article_details_54139887]: https://blog.csdn.net/qq_27923041/article/details/54139887/
[caffe_]: https://www.cnblogs.com/alexcai/p/5469436.html
[https_blog.csdn.net_u010417185_article_details_52649178]: https://blog.csdn.net/u010417185/article/details/52649178