caffe数据集制作比较好的博客

https://blog.csdn.net/u010417185/article/details/52119863#

https://blog.csdn.net/hjimce/article/details/49248231

caffe对于训练数据格式，支持：lmdb、h5py……，其中lmdb数据格式常用于单标签数据，像分类等，经常使用lmdb的数据格式。对于回归等问题，或者多标签数据，一般使用h5py数据的格式。当然好像还有其它格式的数据可用，本文就主要针对lmdb数据格式的制作方法，进行简单讲解。

 

以一个简单的例子来介绍一下如何生成自己的图像集。主要分为两步：

 

（1）生成标签文件列表，即生成 .txt 文件

（2）将 txt 文件列表中的图像与train图像库、val图像库的图像相连接，生成lmdb格式文件

 

lmdb数据

lmdb用于单标签数据。为了简单起见，我后面通过一个性别分类作为例子，进行相关数据制作讲解。

１、数据准备

首先我们要准备好训练数据，然后新建一个名为train的文件夹和一个val的文件夹：

train文件存放训练数据，val文件存放验证数据。然后我们在train文件下面，把训练数据猫、狗图片各放在一个文件夹下面：

同样的我们在val文件下面也创建文件夹：

两个文件也是分别存我们用于验证的图片数据猫与狗图像文件。我们在test_cat下面存放了都是猫的图片，然后在test_dog下面存放的都是验证数据的狗图片。

将train 与 val 文件夹放到一个文件夹内，本文中放到了Data_Test文件夹内。

 

２、标签文件.txt文件制作.

接着我们需要制作一个train.txt、val.txt文件，这两个文件分别包含了我们上面的训练数据的图片路径，以及其对应的标签，如下所示。

 

 

 

 

 

 

我们把猫图片标号为１，狗图片标记为０。标签数据文件txt的生成可以通过如下代码，通过扫描路径猫、狗下面的图片，得到标签文件train.txt和val.txt：

 

需要注意的是，路径与标签之间是一个空格，标签最好从0开始。

 

 

1.  
   <pre class="python" name="code">#coding:utf-8
2.  
   '''
3.  
   Created on Jul 29, 2016
4.  
    
5.  
   @author: sgg
6.  
   '''
7.  
    
8.  
   "<span style=""font-family:Arial;font-size:18px;"">"
9.  
   "<span style=""font-size:18px;"">"
10.  
    "<span style=""font-size:18px;"">"
11.  
    import os
12.  
     
13.  
    def IsSubString(SubStrList,Str):
14.  
    flag=True
15.  
    for substr in SubStrList:
16.  
    if not(substr in Str):
17.  
    flag=False
18.  
     
19.  
    return flag
20.  
     
21.  
    #扫面文件
22.  
    def GetFileList(FindPath,FlagStr=[]):
23.  
    FileList=[]
24.  
    FileNames=os.listdir(FindPath)
25.  
    if len(FileNames)>0:
26.  
    for fn in FileNames:
27.  
    if len(FlagStr)>0:
28.  
    if IsSubString(FlagStr,fn):
29.  
    fullfilename=os.path.join(FindPath,fn)
30.  
    FileList.append(fullfilename)
31.  
    else:
32.  
    fullfilename=os.path.join(FindPath,fn)
33.  
    FileList.append(fullfilename)
34.  
     
35.  
    if len(FileList)>0:
36.  
    FileList.sort()
37.  
     
38.  
    return FileList
39.  
     
40.  
     
41.  
     
42.  
    train_txt=open('train.txt','w')
43.  
    #制作标签数据，如果是狗的，标签设置为0，如果是猫的标签为1
44.  
    imgfile=GetFileList('train/train_cat')#将数据集放在与.py文件相同目录下
45.  
    for img in imgfile:
46.  
    str1=img+' '+'1'+' ' #用空格代替转义字符
47.  
    train_txt.writelines(str1)
48.  
     
49.  
     
50.  
    imgfile=GetFileList('train/train_dog')
51.  
    for img in imgfile:
52.  
    str2=img+' '+'0'+' '
53.  
    train_txt.writelines(str2)
54.  
    train_txt.close()
55.  
     
56.  
     
57.  
    #测试集文件列表
58.  
    test_txt=open('val.txt','w')
59.  
    #制作标签数据，如果是男的，标签设置为0，如果是女的标签为1
60.  
    imgfile=GetFileList('val/test_cat')#将数据集放在与.py文件相同目录下
61.  
    for img in imgfile:
62.  
    str3=img+' '+'1'+' '
63.  
    test_txt.writelines(str3)
64.  
     
65.  
     
66.  
    imgfile=GetFileList('val/test_dog')
67.  
    for img in imgfile:
68.  
    str4=img+' '+'0'+' '
69.  
    test_txt.writelines(str4)
70.  
    test_txt.close()
71.  
     
72.  
    print("成功生成文件列表")

 

 

将上述代码保存为.py的Python文件，运行该Python代码生成 txt 文件。

 

注：本文中生成txt文件时，Data_Test文件夹与生成文件列表的代码.py文件位于同一个目录下。

３、生成lmdb数据

接着我们的目的就是要通过上面的四个文件（两个txt文件列表、train与val两个图库），把图片的数据和其对应的标签打包起来，打包成lmdb数据格式：

在caffe-master创建My_Files文件夹，然后将caffe-master下的imagenet文件夹的create_imagenet.sh复制到该文件夹下进行修改，进行训练和测试路径的设置，运行该sh.

注意：这里是对.sh文件进行修改，在终端打开该文件后进行修改并保存。这里为了排版所以代码类型选择了Python代码类型。

1.  
   <pre class="python" name="code">#!/usr/bin/env sh
2.  
   # Create the imagenet lmdb inputs
3.  
   # N.B. set the path to the imagenet train + val data dirs
4.  
   set -e
5.  
    
6.  
    
7.  
   EXAMPLE=My_Files/Build_lmdb #生成模型训练数据文件夹，即create_imagenet.sh所在文件夹
8.  
   DATA=My_Files/Data_Test #python脚本处理数据路径，即生成的文件列表.txt文件所在文件夹
9.  
   TOOLS=build/tools #caffe的工具库，不用更改
10.  
     
11.  
    TRAIN_DATA_ROOT=<span style="font-size:14px;">/home/sgg/workspace/caffe_learn/scr/Data_Test/</span> #待处理的训练数据
12.  
    VAL_DATA_ROOT=<span style="font-size:14px;">/home/sgg/workspace/caffe_learn/scr/Data_Test/</span> #待处理的验证数据
13.  
     
14.  
     
15.  
    # Set RESIZE=true to resize the images to 256x256. Leave as false if images have
16.  
    # already been resized using another tool.
17.  
    RESIZE=true #是否需要对图片进行resize
18.  
    if $RESIZE; then
19.  
    RESIZE_HEIGHT=256
20.  
    RESIZE_WIDTH=256
21.  
    else
22.  
    RESIZE_HEIGHT=0
23.  
    RESIZE_WIDTH=0
24.  
    fi
25.  
     
26.  
    if [ ! -d "$TRAIN_DATA_ROOT" ]; then
27.  
    echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"
28.  
    echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path"
29.  
    "where the ImageNet training data is stored."
30.  
    exit 1
31.  
    fi
32.  
     
33.  
    if [ ! -d "$VAL_DATA_ROOT" ]; then
34.  
    echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"
35.  
    echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path"
36.  
    "where the ImageNet validation data is stored."
37.  
    exit 1
38.  
    fi
39.  
     
40.  
    echo "Creating train lmdb..."
41.  
     
42.  
    rm -rf $EXAMPLE/train_lmdb
43.  
    rm -rf $EXAMPLE/val_lmdb #删除已存在的lmdb格式文件，若在已存在lmdb格式的文件夹下再添加lmdb文件，会出现错误
44.  
     
45.  
    GLOG_logtostderr=1 $TOOLS/convert_imageset
46.  
    --resize_height=$RESIZE_HEIGHT
47.  
    --resize_width=$RESIZE_WIDTH
48.  
    --shuffle
49.  
    $TRAIN_DATA_ROOT
50.  
    $DATA/train.txt
51.  
    $EXAMPLE/train_lmdb
52.  
     
53.  
     
54.  
    echo "Creating val lmdb..."
55.  
     
56.  
    GLOG_logtostderr=1 $TOOLS/convert_imageset
57.  
    --resize_height=$RESIZE_HEIGHT
58.  
    --resize_width=$RESIZE_WIDTH
59.  
    --shuffle
60.  
    $VAL_DATA_ROOT
61.  
    $DATA/val.txt
62.  
    $EXAMPLE/val_lmdb
63.  
     
64.  
    echo "Done."
65.  
     

这里对程序中所涉及的几个路径做简单说明：

先通过几张图了解一下每个文件夹所包含的内容与位置：

1、训练与测试图像库，即 train 与 val 文件夹所在位置，可以通过查看属性来确定其位置，本文中其位置是位于/home/sgg/workspace/caffe_learn/scr/Data_Test下

   

2、生成的txt文件，即 train.txt 与 test.txt 文件所在位置，可以通过查看属性来确定其位置，本文中其位置是位于/home/sgg/Downloads/caffe-master/My_Files/Data_Test下

3、生成lmdb的.sh文件，即 进行修改后的create_imagenet.sh文件所在位置，可以通过查看属性来确定其位置，本文中其位置是位于/home/sgg/Downloads/caffe-master/My_Files/Build_lmdb下

4、生成后的lmdb格式文件，即 生成的train_lmdb与val_lmdb文件夹所在位置，其位置与生成文件create_imagenet.sh位于同一目录下，本文中其位置是位于/home/sgg/Downloads/caffe-master/My_Files/Build_lmdb下

正式介绍文件中的几个路径值：

1、EXAMPLE

EXAMPLE 表示生成模型训练数据文件夹，即create_imagenet.sh所在文件夹

本文设为EXAMPLE=My_Files/Build_lmdb     ，其中My_Files文件夹位于caffe-master文件夹下

2、DATA

DATA 表示python脚本处理数据路径，即生成的文件列表.txt文件所在文件夹

本文设为 DATA=My_Files/Data_Test            

注：（1）本文开始为了测试DATA 值的设定，在该目录下直接拷贝了eclipse工作空间下的Data_Test文件，所以这里要注意这里是含有Data_Test文件夹的。

（2）该DATA路径直接写为 My_Files/Data_Test   ，不用将其变为 /home/sgg/Downloads/caffe-master/My_Files/Data_Test ,写成这样是错误的。具体原因尚不明确。

3、TOOLS

TOOLS  表示caffe的工具库，为  TOOLS=build/tools   不用更改

4、TRAIN_DATA_ROOT

TRAIN_DATA_ROOT 表示待处理的训练数据，即 train 训练图像库所在位置。

注：

（1）这里需要写具体地址，这就是为什么看地址时需要通过文件的属性进行查看具体地址，写的地址为属性中所显示的地址。

像本文train 训练图像库所在位置为  /home/sgg/workspace/caffe_learn/scr/Data_Test/train/   ，我们经常在终端定位时写的比较简单，在终端定位时的地址为： /workspace/caffe_learn/scr/Data_Test/train/   ,会直接省略 /home/sgg ，但如果在程序中省略的话是出错误的，所以这里的地址要是完整地址。

（2）由于我们在生成txt 文件时路径中包含了 “train” 与" val "，所以在 .sh 文件中写路径时去掉了train，将其路径定义为  /home/sgg/workspace/caffe_learn/scr/Data_Test/  ，TRAIN_DATA_ROOT所设定的值与 txt 文件中路径两者合起来是图像的整体路径。

5、VAL_DATA_ROOT

VAL_DATA_ROOT 表示待处理的验证数据，即 val 训练图像库所在位置,其要求与TRAIN_DATA_ROOT 相同。

4、验证生成的lmdb数据

通过运行上面的脚本，我们将得到文件夹train_lmdbval_lmdb：

方法一：

我们打开train_lmdb文件夹

并查看一下文件data.mdb数据的大小，如果这个数据包好了我们所有的训练图片数据，查一下这个文件的大小是否符合预期大小，如果文件的大小才几k而已，那么就代表你没有打包成功，估计是因为路径设置错误。

方法二：

通过代码将lmdb中的图像信息显示出来，即通过Python代码，将lmdb中的图像在重塑出来，同时也可以观察到图像的信息。具体代码如下：

1.  
   #coding:utf-8
2.  
   '''
3.  
   Created on Aug 9, 2016
4.  
    
5.  
   @author: sgg
6.  
   '''
7.  
   #加载必要的库
8.  
   import matplotlib.pyplot as plt
9.  
   import sys
10.  
    from caffe.proto import caffe_pb2
11.  
    import lmdb
12.  
    import numpy
13.  
     
14.  
     
15.  
    #　编写一个函数，将二进制的均值转换为python的均值
16.  
    def read_lmdb(path,visualize = False):
17.  
    env = lmdb.open(path,readonly=True)
18.  
     
19.  
    x=[]
20.  
    y=[]
21.  
    with env.begin() as txn:
22.  
    cursor = txn.cursor()
23.  
     
24.  
    for key,value in cursor:
25.  
    print 'key:',key
26.  
    datum = caffe_pb2.Datum()#datum类型
27.  
    #转换维datum
28.  
    datum.ParseFromString(value)
29.  
    #转换成numpy
30.  
    #flat_x=numpy.fromstring(datum.dta,dtype=numpy.uint8)
31.  
    flat_x=numpy.array(bytearray(datum.data))
32.  
    #reshape大小
33.  
    img_data = flat_x.reshape(datum.channels,datum.height,datum.width)
34.  
     
35.  
    #读取datum数据
36.  
    print img_data.shape
37.  
    x.append(img_data)
38.  
    y.append(datum.label)
39.  
    if visualize:
40.  
    img_data=img_data.transpose([1,2,0])
41.  
    img_data = img_data[:,:,::-1]
42.  
    plt.imshow(img_data)
43.  
    plt.show()
44.  
    print datum.label
45.  
     
46.  
     
47.  
     
48.  
     
49.  
    #调用read_lmdb
50.  
    read_lmdb("/home/sgg/Downloads/caffe-master/examples/sgg_datas/train_lmdb",True)
51.  
     
52.  
     
53.  
     
54.  
     

在生成过程中遇到了如下问题：

1、如果文件夹下含有lmdb格式的文件，那么生成时会出现错误，所以在生成之前需要对create_imagenet.sh 所在文件夹进行检查，删除之前的 lmdb 文件。代码中添加了代码，来辅助完成此检查：

1.  
   rm -rf $EXAMPLE/train_lmdb
2.  
   rm -rf $EXAMPLE/val_lmdb #删除已存在的lmdb格式文件，若在已存在lmdb格式的文件夹下再添加lmdb文件，会出现错误

 

2、在生成lmdb过程中，出现 can not find or open  …//.......jpg 这个错误时， 这个错误中会给出相应的图像路径：

首先，查看路径是否正确，若路径不正确，则需要更改相应的图像路径。再运行，看问题是否解决。

若问题还没有解决，则检查train.txt中，路径和标签之间是否只有一个空格！

在一些程序中，在对图像加标签时，标签与路径之间的空格使用转义字符 “    ”来生成，可是在生成txt中，路径与标签之间的距离往往多于一个空格，所以在生成标签文档时，程序中用空格代替转义字符   。如下方程序所示：

str1=img+' '+'1'+'
'

3、在生成lmdb过程中，出现路径错误

将文件中的路径换成绝对路径，在尝试。