本帖最后由 一路向北lm 于 2018-7-16 08:29 编辑
转载博客 https://blog.csdn.net/cesc_treze ... 61935?from=timeline 仅供大家参考学习
识别目标包括： 1.车牌号 2.车辆颜色 3.车辆品牌，具体到如奥迪A6之类 4.驾驶人是否系安全带 5.是否贴有年检标志 实验平台 开发平台使用Caffe，参考了博客小咸鱼_的实现（pretrained CaffeNet+finetune），本文主要在其基础上补充一些实现的细节。训练好的模型已经分享到百度云。 链接: https://pan.baidu.com/s/1eRSDFlo 密码: ahyx 1. 训练数据准备 在caffe/examples下建立目录car_color，并在其下面建立几个子目录： car_color/data：存放训练和验证数据 car_color/models：存放prototxt和训练得到的模型 car_color/pre_train_models：存放预训练的CaffeNet data目录 首先新建文件color_map.txt，存放待分类的颜色，这里我们划分了8种颜色 - black
- white
- red
- blue
- green
- gray
- yellow
- brown
对每种颜色划分train和valid数据： - # ratio for train and valid data
- train_ratio = 0.8
- val_ratio = 0.2
- if not os.path.exists('train/' + color):
- os.makedirs('train/' + color)
- if not os.path.exists('val/' + color):
- os.makedirs('val/' + color)
- num = len(os.listdir('raw_data/' + color))
- print("Folder {} has {} images.".format(color, num))
- for file in os.listdir('raw_data/' + color):
- oldfile = 'raw_data/{}/{}'.format(color, file)
- if train_num > 0:
- newfile = 'train/{}'.format(file)
- shutil.copyfile(oldfile, newfile)
- train_num -= 1
- elif val_num > 0:
- newfile = 'val/{}'.format(file)
- shutil.copyfile(oldfile, newfile)
- val_num -= 1
- else:
- pass
创建train.txt和val.txt，用于lmdb数据库的生成: - prefix = '/your/path/caffe/examples/car_color/data/'
- def make_dict(syn_file):
- i = 0
- with open(syn_file, 'r') as df:
- for kv in [d.strip().split(' ') for d in df]:
- dict[kv[0]] = i； i = i + 1
- dict = {}
- make_dict('color_map.txt')
- # list file directories
- command = 'cd %s%s; find -name *.jpg | cut -d ''/'' -f2-3 >train.txt' % (prefix, train)
- system(command)
- command = 'cd %s%s; find -name *.jpg | cut -d ''/'' -f2-3 >val.txt' % (prefix, val)
- system(command)
- # add label
- train_in = open(prefix + train + 'train.txt')
- val_in = open(prefix + val + 'val.txt')
- train_out = open(prefix + 'train.txt', 'w')
- val_out = open(prefix + 'val.txt', 'w')
- for d in train_in:
- train_out.write(d[0:len(d)-1] + ' ' + str(dict[d.strip().split('/')[0]]) + '\n')
- for d in val_in:
- val_out.write(d[0:len(d)-1] + ' ' + str(dict[d.strip().split('/')[0]]) + '\n')
生成的train.txt形如： - blue/016_011_00011.jpg 3
- brown/001_001_00005.jpg 7
- brown/002_002_00001.jpg 7
- brown/002_002_00003.jpg 7
- brown/003_001_00002.jpg 7
- brown/006_001_00003.jpg 7
- ...
models目录和pre_train_models目录
1. 从models/bvlc_reference_caffenet下拷贝train_val.prototxt、deploy.prototxt和solver.prototxt这三个文件到examples/ car_color/models，并修改对应的路径。
2. 修改train_val.prototxt中fc8的名称和输出层节点数。
3. 下载预训练的CaffeModel至目录examples/car_color/pre_train_models。
篇幅问题不做赘述，具体可以参考小咸鱼_的博客。 生成lmdb数据库和图像均值 - ./examples/car_color/create_imagenet.sh
- ./examples/car_color/make_imagenet_mean.sh
- ./build/tools/caffe train -solver examples/car_color/models/solver.prototxt -weights examples/car_color/pre_train_models/bvlc_reference_caffenet.caffemodel
最终实验时每个类别的训练和评估分别用了50/10张图片。
训练速度比我想象的要更快，50个Iter后Valid accuracy就到了72.5%，150个Iter后基本稳定在95%。
3. 实验结果
- I0518 11:12:40.746090 12784 solver.cpp:341] Iteration 1000, Testing net (#0)
- I0518 11:12:40.938202 12784 solver.cpp:409] Test net output #0: accuracy = 0.975
- I0518 11:12:40.938266 12784 solver.cpp:409] Test net output #1: loss = 0.0606646 (* 1 = 0.0606646 loss)
- I0518 11:12:40.938277 12784 solver.cpp:326] Optimization Done.
- I0518 11:12:40.938285 12784 caffe.cpp:215] Optimization Done.
| 
楼主
