windows10+GPU下caffe数据集Lmdb格式制作+训练自己数据集

最近做人脸识别项目，想用到caffe训练自己的数据，电脑操作系统为win10+GPU,这里对caffe-windows配置、数据集制作、训练数据都做一些介绍。（无GPU配置的看

我这个博客

）。如果你用的是vs2015，那么下面介绍的caffe不适合，要用

BVLC windows分支版本的caffe

（非

微软的caffe-master

），坑有点多，安装配置可以

点这里

或

这里

，另外需要自己下载依赖库（依赖库给出下载链接，

http://pan.baidu.com/s/1cLJnkE

，密码：6vcp）。

一、GPU+windows+VS2013+caffe(微软版)配置

1、确保自己电脑有GPU，可以百度下载GPU-Z小工具查看。打开后必须支持cuda的NVIDIA显卡，做深度学习计算能力要大于3.0，我的截图如图1所示。

图1 GPU参数情况

2、

下载CUDA7.5或者8.0 TOOlkit 、cuDNN v4。链接分别为：

（

https://developer.nvidia.com/cuda-toolkit-archive

https://developer.nvidia.com/cudnn

），

注意我用的是VS2013版本，对应的CUDA为7.5或8.0（VS2015使用8.0），cuDNN 为v4，其中v3不支持caffe，v5部分不支持CUDA7.5，在官网需要简单注册下就可以下载。其中CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题，cuDNN是加速库。下载cuDNN如图2所示。

图2 cuDNN下载

3、从官网下载caffe版，最好是微软提供的，因为不需要自己额外再配置其他依赖库。

caffe的

微软分支

已经明确标出了支持cudnnv4.0和v5.0。这里给出下载地址：

https://github.com/Microsoft/caffe

图3 caffewindows下载

4、把下载好的库放在电脑某个文件夹下，比如我放在C:\caffe，注意解压后该文件夹下只有这1项caffe-master，其他文件后面说明。

图4 caffe目录

然后依次打开文件夹caffe-master->windows,找到“CommonSettings.props.example”复制一份到同目录下并且改后缀，删除.example即可，如下图红色框框第一个文件夹是修改后的。下一步，用记事本打开“

该文件，要修改的地方见下图5中4个红色框信息。修改后保存退出。

图5 CommonSettings.props修改

5

、把第2

步中下载好的cudnn-7.0-win-x64-v4.0.zip解压到C:\caffe目录下，解压后文件夹名是cuda，里面有3个文件夹，bin,include,lib.如上图4所示。

6

、编译

caffe-windows

编译用

vs2013

打开

Caffe.sln

，里面有

16

个项目，请按照图

6

核对，然后将解决方案的配置改为

X64 release

，在整个项目生成之前，

libcaffe

项目属性配置如下图

6

所示：

图

6 libcaffe

属性配置

先在

libcaffe

项目上右键生成，待成功后再在最上面右键点“解决方案

‘Caffe'(16

个项目

)

”

–>

生成解决方案

，会将整个项目全部生成，这个时间会比较长。

在这一步中如果遇到编译过程无法打开文件“

libcaffe.lib

”，这个问题一般是编码问题，在项目里搜索双击把

alt_sstream_impl.hpp

打开又有提示中文编码错误，点击确定后保存一下重新编译就

ok

了。多尝试几次会成功的。

编译后，会在

C:/Caffe

目录下自动生成依赖库，这就是为什么用微软版本的

caffe

。打开文件夹，请按照图

7

核对共有

16

个文件夹。

图7 依赖包库

7、在release下，直接双击打开caffe.cpp，然后ctrl+f5直接编译，出现如图8所示命令窗口说明编译成功。

图8 编译成功画面

二、lmdb格式数据制作

1、首先简单的整理下数据集，这些数据集放在一个文件夹下，里面有若干个子文件夹，每个子文件夹的名字表示类别，比如我的人脸识别数据集如下，每个文件夹都是同一个人的人脸，文件夹名字id随意取。如图9所示。

图9 人脸识别初始样本集

2、有了上面的人脸数据后，我们就要开始准备4个“文件”，即2个文件夹分别存储train，val的文件夹，另外2个为train.txt,val.txt列表文件。train和val分别存储训练和验证的数据集，当然你可以指定多少张图片用于训练，剩余作为测试使用。train和val 这2个文件夹里面要分别存储相等类别（文件夹数量及名字一样，图片数量可以不一样）的数据集。rain.txt,val.txt这2个文本文件分别存储对应上面2个文件的图片路径和id，id最好从0开始，路径与id之间只能空一个格，这里可以参加图11。为简便起见，我写了份MATLAB代码直接可以把图9的人脸识别样本集转化为4个标准“文件”。代码如下：

function flag = createLMDBDataSets(sourcePath,outputPath)  
% flag = CREATELMDBDATASETS(sourcePath,outputPath)产生caffe使用的4个文件，目的用于lmdb制作  
% sourcePath:文件夹路径，包含在数据存储中的文件夹,每个文件夹是一个类别  
% outputPath：输出指定的文件路径  
% EXAMPLE:  
%            sourcePath = 'F:\imagesData\facerecognizeDataSets_label';  
%            outputPath = 'F:\imagesData\facerecognizeDataSets';% 产生4个文件夹，即2个txt，2个存放data图像  
%            createLMDBDataSets(sourcePath,outputPath)  
%  
if (nargin<1)||~ischar(sourcePath)  
    flag = false;  
    return;  
elseif nargin == 1  
    outputPath = sourcePath;  
end  
  
%% 这部分修改符合自己的，每个文件夹下至少2张图 
imds = imageDatastore(sourcePath,'includesubfolders',true,...  
    'FileExtensions',{'.png'},...  
    'LabelSource','foldernames');  
[imdsTrain,imdsVal] = splitEachLabel(imds,0.7); %  70%用于训练，其余测试


%% random
numsTrain = length(imdsTrain.Files);
numsVal = length(imdsVal.Files);
indexTrain = randperm(numsTrain);
indexVal = randperm(numsVal);
trainCell = imdsTrain.Files(indexTrain);
valCell = imdsVal.Files(indexVal);
  
%% write  
classesLabel = categories(imdsTrain.Labels); 
nameTrain = 'train';  
nameVal = 'val'; 
fidtrain = fopen(fullfile(outputPath,[nameTrain,'.txt']),'w');  
flag2 = cellfun(@(x,path,nameflag,cllabel,fid)copyMakeFiles(x,...  
    outputPath,nameTrain,classesLabel,fidtrain),trainCell);  
fclose(fidtrain);  
  
fidval = fopen(fullfile(outputPath,[nameVal,'.txt']),'w');  
flag1 = cellfun(@(x,path,nameflag,cllabel,fid)copyMakeFiles(x,...  
    outputPath,nameVal,classesLabel,fidval),valCell);  
fclose(fidval);  
  
%%  
if (all(flag1) && all(flag2))  
    flag = true;  
else  
    flag = false;  
end  
end

考虑到效率问题，用cellfun函数，上面代码中cellfun调用的函数copyMakeFiles如下：

function flag = copyMakeFiles(x,outputPath,nameflag,classesLabel,fid)
% cellfun调用的函数
% 输入x为cell Array的一个，其余参数为传进来的
%
[temp1,name,ext] = fileparts(char(x));
[~,thisLabel,~] = fileparts(temp1);
thisFolder = fullfile(outputPath,nameflag,char(thisLabel));
if ~exist(thisFolder,'dir')
    mkdir(thisFolder);
end
copyfile(x,thisFolder);
index = find(string(thisLabel) == string(classesLabel));
fprintf(fid,'%s %d\r\n',fullfile(char(thisLabel),[name,ext]),index-1);
flag = 1;
end

上面代码能把图9的代码转为如图10所示的格式。

图10 转化后的“4个标准文件”

3、成功转换为“4个标准文件”后，就在

当前文件夹下

新建一个txt文档，然后改后缀为bat，名字可以是“convert”，里面实际是调用caffe的convert_imageset.exe把4个文件转换为lmdb类型。里面写入内容为“C:\caffe\caffe-master\Build\x64\Release\convert_imageset.exe –gray –resize_width=144 –resize_height=144 ./train/ train.txt train_lmdb -backend=lmdb

C:\caffe\caffe-master\Build\x64\Release\convert_imageset.exe –gray –resize_width=144 –resize_height=144 ./val/ val.txt test_lmdb -backend=lmdb

Pause ”，注意里面的路径，第一个参数是你自己的convert_imageset.exe 所在路径；第二个是转灰度；第三个，四个参数为resize的大小；第5个参数是“./train/”，表示是存放训练的文件夹（图10的train文件夹）；第6个参数“train.txt”，表示是关联train文件夹的图片路径及类别标签，见图11所示；第7个参数是”train_lmdb”，表示的是存放的lmdb格式文件夹名字；第8个参数是”-backend=lmdb”，表示的是转换为lmdb格式。

注意每个参数之间有个空格！下面那行val参数类似。

图11 train.txt内容

4、这一步就可以直接双击运行“convert.bat”批处理把文本关联的图像转换为lmdb格式。如图12所示，比图10要多2个文件夹，即生成能够被caffe识别的lmdb文件夹，分别为train_lmdb、test_lmdb。

图12 转lmdb格式

三、训练

1、为了方便直观起见，训练的东西都放到一个新建文件夹下进行，比如放在caffe的example根目录，我的是“C:\caffe\caffe-master\examples”，在该文件夹下新建facerec文件夹，然后打开，把第二部分第4部生成的train_lmdb、test_lmdb文件夹拷贝过来；然后新建一个save文件夹，用于保存训练好的模型；

2、配置好自己网络超参数.protxt文件和网络层.protxt文件，可以参考这个博客（

http://www.cnblogs.com/TensorSense/p/6744075.html

）或者

Mnist和Cifar-10（

http://blog.csdn.net/u011995719/article/details/53998331

），注意路径，我的配置文件分布如图13所示，三个run_facerec.bat、facerec1021_solver.protxt、facerec1021_lenet_train_test.protxt里面参数修改如图14所示。

图13 文件类型分布

图14 三个文件的参数修改

3、上部修改后保存，然后可以运行~\(≧▽≦)/~啦，双击“

run_facerec.bat

”就可以训练，训练模型保存在save文件夹。

训练过程如图15所示。

图15 训练

到此，整个流程~结束

原文链接：https://blog.csdn.net/cuixing001/article/details/78306958

一、GPU+windows+VS2013+caffe(微软版)配置

二、lmdb格式数据制作

三、训练

你可能也喜欢