說明：主要思想是微調使用ImageNet預訓練的CaffeNet模型參數，用來對車顏色進行識別。為了不和其他文件混亂，我們在examples下新建文件夾finetune_myself。

1.計算圖像均值

caffenet需要圖像均值文件，所以先計算均值文件。在finetune_myself下新建文件夾Image_mean，從imagenet中拷貝make_imagenet_mean.sh到finetune_myself下，更名為make_image_mean.sh(為了和imagenet區分),然后修改腳本如下：

EXAMPLE=examples/finetune_myself #該路徑下為訓練圖像的lmdb文件 DATA=examples/finetune_myself/Image_mean #該路徑為生成的均值文件保存的地方 TOOLS=build/tools$TOOLS/compute_image_mean $EXAMPLE/car_train_lmdb \ #這里的lmdb和自己的對應$DATA/image_mean.binaryproto #生成的均值文件名字，這里為了區分改一下名字
這樣，生成的均值文件保存在finetune_myself下的Image_mean文件夾里，名字為image_mean.binaryproto。

2.準備caffenet模型

在finetune_myself下新建文件夾，命名為models，將caffenet的train_val.prototxt、solver.prototxt和deploy.prototxt復制到此models文件夾里，然后，對模型進行修改。假設我們的訓練集類別是m，那么fc8層的num_output需要修改成m，又由于finetune時用到的權重是根據層名匹配的，而fc8的num_output已經修改，該層的參數必須重新學習，所以我們把該層的名字也進行修改，如改為fc8_myself。具體修改如下。

對train_val.prototxt的修改：

（1）?mean_file路徑："examples/finetune_myself/Image_mean/image_mean.binaryproto"

訓練和測試階段的data層均要修改。

（2）假設訓練集和測試集的lmdb文件在finetune_myself下，所以訓練階段的的data層：

data_param {source:"examples/finetune_myself/car_train_lmdb"batch_size: 50 #這里自己可以修改合適的batch大小backend:LMDB }

同理，TEST階段的data層也作同樣的修改。即：

data_param{source: "examples/finetune_myself/car_test_lmdb"batch_size:50backend:LMDB}

（3）修改fc8層和相關層

將層名改為fc8_myself(當然其他也行)，并修改權重的lr_mult=10，bias的lr_mult=20，目的是讓非微調層學習更快。num_output修改為類別數。具體如下：

layer {name: "fc8_myself"type: "InnerProduct"bottom: "fc7"top: "fc8_myself"param {lr_mult: 10decay_mult: 1}param {lr_mult: 20decay_mult: 0}inner_product_param {num_output: 8 #根據類別修改，我做的實驗為8類weight_filler {type: "gaussian"std: 0.01}bias_filler {type: "constant"value: 0}} } 與fc8相關的層也要修改：

layer {name:"accuracy"type:"Accuracy"bottom: "fc8_myself"bottom:"label"top:"accuracy"include {phase: TEST} }

layer {name: "loss"type: "SoftmaxWithLoss"bottom: "fc8_myself"bottom: "label"top: "loss" }

對solver.prototxt的修改：

主要是 net:"examples/finetune_myself/models/train_val.prototxt"，
該路徑改為train_val.Prototxt的路徑。

還有

snapshot_prefix:"examples/finetune_myself/models/caffenet"

此路徑是訓練過程得到的caffemodel和solverstate保存路徑,按自己想保存的路徑更改。

對deploy.prototxt的修改：

網絡的名字name要與train_val.prototxt相同。然后修改fc8層和相關層：

layer {name: "fc8_myself"type: "InnerProduct"bottom: "fc7"top: "fc8_myself"inner_product_param {num_output: 8 #根據類別數改} }

layer {name:"prob"type:"Softmax"bottom: "fc8_myself"top:"prob" }
這樣，模型就改好了。

3.準備預訓練好的caffenet模型參數

finetune_myself下新建文件夾pre_train_models,運行

./scripts/download_model_binary.py examples/finetune_myself/pre_train_models即將文件下載在pre_train_models中。

4.開始訓練

./build/tools/caffe train –solver examples/finetune_myself/models/solver.ptototxt –weights examples/finetune_myself/pre_train_models/bvlc_reference_caffenet

5.結果

訓練結果：

精度還是挺高的。

訓練完成后，得到caffemodel文件：
測試：
./build/examples/cpp_classification/classification.bin **/**/deploy.prototxt **/***/models_iter_100000.caffemodel **/**/image_mean.binaryproto **/**/labels.txt **/**/car.jpg
這些路徑按自己的設置，labels是標簽，比如你的train.txt中白色標簽是0，紅色標簽是1，那么labels中第一行是white，第二行是red，其他的也是這樣按順序排。

結果： white - "0.9963" gray - "0.0036" green - "0.0001"輸出前三個預測結果

總結

以上是生活随笔為你收集整理的微调CaffeNet用于车颜色识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。