参考：https://blog.csdn.net/alps1992/article/details/68491362

https://blog.csdn.net/fly_egg/article/details/53670047

https://blog.csdn.net/liuyan20062010/article/details/78032592

总体思路：

准备数据
生成txt清单
数据转换为lmdb格式
生成 meanfile 均值文件
配置网络
- 1 修改 solverprototxt
- 2 修改 train_valprototxt
训练网络模型
调用模型进行分类识别

1. 准备数据

首先要准备自己的数据，就是你的图片，不同类别的图片，这些图片要分成两部分，多的部分作为训练集，少的部分作为测试集，然后留几张图片用来做最后的分类测试的。我在caffe根目录下建立一个文件夹myfile，用于存放数据文件和后面的caffe模型相关文件。即/home/qf/caffe/myfile,然后在myfile文件夹下建立build_lmdb和dataset两个文件夹，其中build_lmdb文件夹用于存放生成的lmdb文件，dataset文件夹存放图片数据。在dataset文件夹中新建两个文件夹，train和val分别放如训练集图片和验证集图片，均为15类场景图像。

2 生成train.txt 和val.txt清单

sudo vim /home/qf/caffe/myfile/dataset/ create_list.sh

#/usr/bin/env sh  
DATATRAIN=dataset/  
DATATEST=dataset/  
MY=dataset  
echo "create train.txt"  
rm -f $MY/train.txt  
for i in 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 
do  
find $DATATRAIN/train -name $i*.jpg| cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt  
done  
echo "create val.txt"  
rm -f $MY/val.txt  
for i in 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 
do  
find $DATATEST/val -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt  
done  
echo "all done"

运行此脚本

cd dataset

sudo sh dataset/create_list.sh

运行成功则在dataset文件夹下生成train.txt 和 val.txt

3 生成LMDB文件

在caffe root/examples/imagenet中有个create_imagenet.sh文件，我们将其复制到我们的build_lmdb文件夹下重命名为create_lmdb.sh，然后对其中需要修改的地方进行修改：

其中EXAMPLE=myfile/build_lmdb改为自己文件的路径
DATA=myfile/dataset，改为自己的路径
TRAIN_DATA_ROOT和TRAIN_DATA_ROOT修改到路径dataset，这里因为train.txt文件的路径是从dataset开始的

#!/usr/bin/env sh
# Create the imagenet lmdb inputs
# N.B. set the path to the imagenet train + val data dirs
set -e

EXAMPLE=myfile/build_lmdb
DATA=myfile/dataset
TOOLS=build/tools

TRAIN_DATA_ROOT=/home/qf/caffe/myfile/dataset/train
VAL_DATA_ROOT=/home/qf/caffe/myfile/dataset/val

# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
# already been resized using another tool.
RESIZE=true
if $RESIZE; then
  RESIZE_HEIGHT=256
  RESIZE_WIDTH=256
else
  RESIZE_HEIGHT=0
  RESIZE_WIDTH=0
fi

if [ ! -d "$TRAIN_DATA_ROOT" ]; then
  echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"
  echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet training data is stored."
  exit 1
fi

if [ ! -d "$VAL_DATA_ROOT" ]; then
  echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"
  echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet validation data is stored."
  exit 1
fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    $EXAMPLE/train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/val.txt \
    $EXAMPLE/val_lmdb

echo "Done."

然后在终端里面执行

sudo sh build_lmdb /create_lmdb.sh

即可在build_lmdb文件夹下得到两个文件train_lmdb和val_lmdb

4 计算均值

利用刚才生成的 lmdb 文件生成均值文件，计算图像均值，使用的是examples/imagenet/make_imagenet_mean.sh这个脚本，把它拷贝到自己的目录下：

cp examples/imagenet/make_imagenet_mean.sh myfile/build_lmdb/

然后修改该脚本：

EXAMPLE=/home/qf/git/myfile/build_lmdb

DATA=/home/qf/git/myfile/build_lmdb
TOOLS=/home/qf/git/caffe/build/tools
$TOOLS/compute_image_mean $EXAMPLE/train_lmdb \
  $DATA/imagenet_mean.binaryproto

echo "Done."

然后运行脚本

bash make_imagenet_mean.sh

在build_lmdb下生成均值文件

5 配置网络

编写参数的配置文件

首先拷贝网络

cp -r caffe/models/bvlc_reference_caffenet caffe/myfile

然后进入到这个网络文件夹下：

cd caffe/myfile/bvlc_reference_caffenet

修改 solver.prototxt,打开文件

vim solver.prototxt

net: "/home/qf/caffe/myfile/bvlc_reference_caffenet/train_val.prototxt"
test_iter : 50 //测试迭代次数
test_interval : 100 //多少次迭代测试一次
base_lr : 0.01 //基础学习率
lr_policy : "step"
gamma: 0.1
stepsize : 10000
display: 20 //多少次迭代显示一次
max_iter : 700 //一共迭代多少次
momentum : 0.9
weight_decay : 0.0005
snapshot : 700 //多少次迭代保存一次快照
snapshot_prefix : "/home/qf/caffe/myfile/bvlc_reference_caffenet/caffenet_train" //快照保存位置（也是结果的位置）
solver_mode : CPU

编写训练网络的配置文件
打开 train_val.prototxt文件：

vim train_val.prototxt

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "/home/qf/git/myfile/buile_lmdb/imagenet_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: "/home/qf/git/myfile/buile_lmdb/train_lmdb"
    batch_size: 256
    backend: LMDB
  }
} //下面的两处也要改

#最后一层
layer {
  name: "fc8_15"  #修改名字,下面与之相关的都要改
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8_15" 
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 15                 #原来为1000，训练为n类，就写>=n,训练的为15类，我就写了15
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8_15"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8_15"
  bottom: "label"
  top: "loss"
}

6.训练网络

cd /home/qf/caffe

./build/tools/caffe train --solver=/home/qf/caffe/myfile/bvlc_reference_caffenet/solver.prototxt

说明：至此训练网络完成，文章中的路径可能存在问题，由于第一次弄得时候也是各种问题，所以参考的时候根据自己的路径具体设置

7.用训练的模型预测图片的类别

首先：

sudo cp caffe/examples/myfile/deploy.prototxt caffe/myfile/

修改deploy.prototxt最后部分

    layer {  
      name: "fc8_15"    
      type: "InnerProduct"  
      bottom: "fc7"  
      top: "fc8_15"  
      inner_product_param {  
        num_output: 15                  #输出类别为15类，保持一致  
      }  
    }  
    layer {  
      name: "prob"  
      type: "Softmax"  
      bottom: "fc8_15"  
      top: "prob"  
    }

其次：准备一张将要预测的图片，命名为1.jpg

然后：创建labels.txt:

在终端输入：

sudo caffe/build/examples/cpp_classification/classification.bin \
> caffe/myfile/deploy.prototxt \
> caffe/myfile/_iter_1000.caffemodel \
>caffe/myfile/mean.binaryproto \

>caffe/myfile/labels.txt \

> caffe/myfile/1.jpg

回车输出结果

（1）caffe学习之调用预训练的网络训练自己的数据集