caffe实战之“车牌识别”
上一篇博客写了如何在cpu的情况下配置环境，配置好环境后编译成功，就可以用caffe框架训练卷积神经网络了。今天介绍如何在caffe环境下，跑车牌识别的数据，利用的网络是LeNet，这里只介绍具体caffe实战步骤，网络结构不做具体介绍。
1、准备数据
在caffe根目录下的data文件夹下新建一个mine文件夹，在mine文件夹新建一个train和val文件夹，在train文件夹下新建0和1文件夹（为了简单，只做了一个二分类，可以改成多类），在0和1文件夹下分别存放分好类的数据：
在val文件夹下放用于验证的数据
在mine文件夹下新建train.txt和val.txt，用于存放索引，把train和val文件夹下的数据索引添加进来，如果数据量比较小可以先手动添加一下，如果数据量比较大就写一段程序实现一下就好。
请注意：左边的txt文件的bird和dog改成0和1，这是train文件夹下的两个子文件夹名字，这个是之前写的文件，懒得改了。
2、转换数据
如果在vs2013环境下编译通过了，那么在caffe根目录下的bin文件夹下会有convert_imageset.exe文件，如果有这个文件，在caffe文件夹下新建一个脚本，脚本内容是：
注意：最后一个双引号表示的是数据转化后存放的位置
可以实现对图片数据的转换。（也可以把脚本放在其它位置，在写脚本的时候注意路径就可以了）
运行完这个脚本后，在mine文件夹下会出现两个文件夹
（如果写的是存放其它路径可以在其它路径下找这两个文件夹）
3、计算mean
在上一步中在VS2013编译通过的情况下，在bin文件夹下会有一个computer_image_mean.exe文件，如果没有可以尝试编译computer_image_mean。然后在caffe文件夹下新建脚本，实现计算mean：
第二个双引号代表存放上一步转化好的数据的位置，第三个引号代表mean的存放位置（如果想要修改注意路径就可以了）
运行完之后，在data/mine/下会有
这就是计算好的均值文件。
4、开始训练
因为用的数据是车牌识别的，所以最好的网络就是LeNet网络了，我直接用的就是caffe提供的车牌识别中的LeNet
把这两个文件复制到mine文件夹下，把platerecognition_LeNet文件重名为为train_val(可以不重命名，名称而已)
在solver文件中把路径改一下：
在train_val文件中把训练验证数据的路径以及最后一层的输出修改一下：（因为我测试是二分类，所以最后的输出改成了2）
修改一下模型的保存路径：
在mine文件夹下新建脚本：（也可以在其它路径下，在写脚本的时候注意路径就好）
双节开始训练：
注意：因为只有20张图像，所以肯定是要过拟合的。这里只介绍一个流程，在实际跑的时候需要提供大量的数据，这也是神经网络所依赖的！
5、测试
在测试的时候，写一个脚本文件：（把deploy的路径加载上去，别忘了，把deploy的最后输出改成2,因为训练的时候就是二分类，另外需要加载一个类别文件，category.txt）
这样，整个流程就跑通了，这是利用caffe命令行的形式来训练网络。
<link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/production/markdown_views-68a8aad09e.css">
</div>
caffe实战之“车牌识别”
上一篇博客写了如何在cpu的情况下配置环境，配置好环境后编译成功，就可以用caffe框架训练卷积神经网络了。今天介绍如何在caffe环境下，跑车牌识别的数据，利用的网络是LeNet，这里只介绍具体caffe实战步骤，网络结构不做具体介绍。
1、准备数据
在caffe根目录下的data文件夹下新建一个mine文件夹，在mine文件夹新建一个train和val文件夹，在train文件夹下新建0和1文件夹（为了简单，只做了一个二分类，可以改成多类），在0和1文件夹下分别存放分好类的数据：
在val文件夹下放用于验证的数据
在mine文件夹下新建train.txt和val.txt，用于存放索引，把train和val文件夹下的数据索引添加进来，如果数据量比较小可以先手动添加一下，如果数据量比较大就写一段程序实现一下就好。
请注意：左边的txt文件的bird和dog改成0和1，这是train文件夹下的两个子文件夹名字，这个是之前写的文件，懒得改了。
2、转换数据
如果在vs2013环境下编译通过了，那么在caffe根目录下的bin文件夹下会有convert_imageset.exe文件，如果有这个文件，在caffe文件夹下新建一个脚本，脚本内容是：
注意：最后一个双引号表示的是数据转化后存放的位置
可以实现对图片数据的转换。（也可以把脚本放在其它位置，在写脚本的时候注意路径就可以了）
运行完这个脚本后，在mine文件夹下会出现两个文件夹
（如果写的是存放其它路径可以在其它路径下找这两个文件夹）
3、计算mean
在上一步中在VS2013编译通过的情况下，在bin文件夹下会有一个computer_image_mean.exe文件，如果没有可以尝试编译computer_image_mean。然后在caffe文件夹下新建脚本，实现计算mean：
第二个双引号代表存放上一步转化好的数据的位置，第三个引号代表mean的存放位置（如果想要修改注意路径就可以了）
运行完之后，在data/mine/下会有
这就是计算好的均值文件。
4、开始训练
因为用的数据是车牌识别的，所以最好的网络就是LeNet网络了，我直接用的就是caffe提供的车牌识别中的LeNet
把这两个文件复制到mine文件夹下，把platerecognition_LeNet文件重名为为train_val(可以不重命名，名称而已)
在solver文件中把路径改一下：
在train_val文件中把训练验证数据的路径以及最后一层的输出修改一下：（因为我测试是二分类，所以最后的输出改成了2）
修改一下模型的保存路径：
在mine文件夹下新建脚本：（也可以在其它路径下，在写脚本的时候注意路径就好）
双节开始训练：
注意：因为只有20张图像，所以肯定是要过拟合的。这里只介绍一个流程，在实际跑的时候需要提供大量的数据，这也是神经网络所依赖的！
5、测试
在测试的时候，写一个脚本文件：（把deploy的路径加载上去，别忘了，把deploy的最后输出改成2,因为训练的时候就是二分类，另外需要加载一个类别文件，category.txt）
这样，整个流程就跑通了，这是利用caffe命令行的形式来训练网络。
<link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/production/markdown_views-68a8aad09e.css">
</div>