使用caffenet微调时的一些总结

1,比较笨的方法生成图片列表(两类举例)
data/myself/train 目录下

find -name cat.\*.jpg |cut -d ‘/‘ -f2-3 >train.txt
sed -i ‘s/$/ 0/g‘ train.txt
find -name dog.\*.jpg |cut -d ‘/‘ -f2-3 >tmp.txt
sed -i ‘s/$/ 1/g‘ tmp.txt
cat tmp.txt >>train.txt

将train.txt剪切到data/myself 下

2,删除被锁定文件
删除文件夹实例:
sudo rm -rf /var/log/httpd/access
将会删除/var/log/httpd/access目录以及其下所有文件、文件夹

删除文件使用实例:
sudo rm -f /var/log/httpd/access.log
将会强制删除/var/log/httpd/access.log这个文件

3,下载caffe zoo中的模型

cd caffe-master

python ./scripts/download_model_binary.py ./models/bvlc_reference_caffenet/
.py文件是下载的命令。
后面是模型下载下来的路径。

4,权限问题,运行shell脚本时:
permission denied

sudo chmod -R 777 目录
其中 -R 是指级联应用到目录里的所有子目录和文件
    777 是所有用户都拥有最高权限
sudo chmod +x *.sh

5,微调训练模型指令:
 ./build/tools/caffe train --solver ./models/bvlc_reference_caffenet/solver.prototxt --weights ./models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel

6,图像尺寸改变脚本

#!/usr/bin/env sh

for file in `ls`
do convert $file -resize 100x100! new_$file   ##!表示不考虑比例
done

时间: 2024-11-08 01:54:15

使用caffenet微调时的一些总结的相关文章

Caffe 实例笔记 1 CaffeNet从训练到分类及可视化参数特征

首先使用caffeNet训练数据集然后使用训练好的模型分类 1 使用caffeNet训练自己的数据集 主要参考: 官方网址: http://caffe.berkeleyvision.org/gathered/examples/imagenet.html 数据集及第一部分参考网址:http://www.lxway.com/4010652262.htm 主要步骤: 1. 准备数据集 2. 标记数据集 3. 创建lmdb格式的数据 4. 计算均值 5. 设置网络及求解器 6. 运行求解 由于image

使用自己的数据集训练和测试"caffenet"

主要步骤可参考: http://blog.csdn.net/u010194274/article/details/50575284 补充几点: 1. convert函数是ImageMagick包里面的,在使用之前要进行安装 sudo apt-get install ImageMagick 2. 在将图片大小处理为256x256的时候,这里需要注意,数字之间使用的是字母x,而不是乘号 3. shell脚本中使用到的路径,最好都使用绝对路径 4. 作者在网络定义部分说的并不明确,补充如下:solve

RCNN学习笔记(4):fast rcnn

reference link: http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ http://blog.csdn.net/shenxiaolu1984/article/details/51036677 http://blog.csdn.net/qq_26898461/article/details/50906926 论文出处见:http://arxiv.org/abs/1504.08083 项目见:https://github.c

Xamarin入门浅析

1. 安装 1) 使用标准安装流程(JDK1.6 -> Android SDK -> NDK -> Xamarin Studio -> Xamarin Visual Studio) 2) Android SDK Manager更改源,可时刻保持最新,一个镜像源地址:mirrors.neusoft.edu.cn:ubuntu.buct.cn:Port: 80,Android SDK的目录结构介绍,Android的一些相关资源 (http://ubuntu.buct.edu.cn/an

CAFFE学习笔记(四)将自己的jpg数据转成lmdb格式

1 引言 1-1 以example_mnist为例,如何加载属于自己的测试集? 首先抛出一个问题:在example_mnist这个例子中,测试集是人家给好了的.那么如果我们想自己试着手写几个数字然后验证识别效果又当如何呢? 观察CAFFE_ROOT/examples/mnist/下的lenet_train_test.prototxt文件,发现里面既给出了训练集的路径,又给出了测试集的路径.因此答案很显然了,我们可以把自己的测试集做成leveldb(或lmdb)格式的,然后在lenet_train

用caffe一步一步实现人脸检测

学习深度学习已有一段时间了,总想着拿它做点什么,今天终于完成了一个基于caffe的人脸检测,这篇博文将告诉你怎样通过caffe一步步实现人脸检测.本文主要参考唐宇迪老师的教程,在这里感谢老师的辛勤付出. 传统机器学习方法实现人脸检测: 人脸检测在opencv中已经帮我们实现了,我们要把它玩起来很简单,只需要简简单单的几行代码其实就可以搞定.(haarcascade_frontalface_alt.xml这个文件在opencv的安装目录下能找到,笔者的路径是:E:\opencv2.4.10\ope

深度神经网络可视化工具集锦

深度神经网络可视化工具集锦 雷锋网按:原文作者zhwhong,载于作者的个人博客,雷锋网(公众号:雷锋网)经授权发布.  TensorBoard:TensorFlow集成可视化工具 GitHub官方项目:https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tensorboard TensorBoard 涉及到的运算,通常是在训练庞大的深度神经网络中出现的复杂而又难以理解的运算. 为了更方便 TensorFlow 程序的理

【caffe-windows】 caffe-master 之Matlab中model的分类应用

此篇讲述在matlab中,如何将训练好的model用于图像分类.将以mnist为例,主要用到caffe-master\matlab\demo 下的classification_demo.m ,可参考我之前的博客 [caffe-windows] caffe-master 之 classfication_demo.m 超详细分析 (http://blog.csdn.net/u011995719/article/details/54135189) 首先贴大神的博客:http://blog.csdn.n

【caffe-windows】 caffe-master 之 classfication_demo.m 超详细分析

classification_demo.m 是个很好的学习资料,了解这个代码之后,就能在matlab里用训练好的model对输入图像进行分类了,而且我在里边还学到了oversample的实例,终于了解数据增强是个怎么回事. caffe-master\matlab\demo\classification_demo.m这个demo是针对  ImageNet图像分类的(1000个类), 主要是调用训练好model,对输入的图像进行分类,输出分类结果. 要想运行此demo,需要的东西有: 1. 模型描述