在VS2013中打开caffe源代码,都能编译成功,下一步应该怎么训练模型

在VS2013中打开caffe源代码,都能编译成功,下一步应该怎么训练模型,第1张

你想调用你的模型,最简单的办法是看examples/cpp_classification里面的cpp文件,那是教你如何调用caffe获取分类结果的...(你没接触过caffe的话,建议你直接按照羡模这个文件来 *** 作可能会比较简单,下面我的代码我也不知道没接触过caffe的人看起来难度会有多大)

不过那个代码我看着不太习惯,所以之前自己稍微写了一个简易的版本,不知道怎么上传附件,懒人一个就直接把代码贴在最后了。

先简单解释一下如何使用,把这个代码复制到一个头文件中,然后放在examples里面一个自己创建的文件夹里面,然后写一个main函数调用这个类就可以了,比如:

复制,保存到caffe/examples/myproject/net_operator.hpp,然后同目录下写一个main.cpp,在main函数里面#include "net_operator.hpp",就可以使用这个类了:

const string net_prototxt = "..." // 你的网络的prototxt文件,用绝对路径,下面同理

const string pre_trained_file = "..."// 你训练好的.caffemodel文件

const string img_path = "..."// 你要测试的图片路径

// 创建NetOperator对象

NetOperator net_operator(net_prototxt, pre_trained_file)

Blob<float>*blob = net_operator.processImage(img_path)

// blob就得到了最后一层的输出结果,至于blob里面是怎么存放数据的,你需要去看看官网对它的定义

写完main.cpp之后,到caffe目录下,make,然后它会编译你写的文件,对应生成的可执行文件。比如按我上面写的那样,make之后就会在caffe/build/examples/myproject文件夹里面生成一个main.bin,执行这个文件就可以了。因为生成的可执行文件并不是直接在代码目录下,所以前面我建议你写的路径用绝对路径

另外如果你要获取的不是最后一层的输出,你需要修改一下processImage函数的返回值,通过NetOperator的成员变量net_来获取你需要的blob,比如有个blob名称为"label",你想获取这个blob,可以通过net_->blob_by_name("label"弊早)来获取,当然获取到的是shared_ptr<Blob<float>>类型的,搜一下boost shared_ptr就知道跟普通指针有什租派雀么不同了

一、前期环境以及准备

1、安装python

在caffe中,python2和python3的接口都有。但frcnn中只能支持python2.7,所以千万不要装成python3。为了方便,不用自己去pip一大堆库,我建议安装anaconda2,里面已经安装了很多第三方的库。

另附python,Windows的第三方库 ,里面很全。或许有一些库你要去官网上下载。

2、安装(更新)显卡驱动和cuda

NVIDIA的显卡驱动安装应该不用我说了吧,到官网上下载吧。我要说明一点的是,我的1080ti在安装显卡驱动时,说和Windows不匹配。怎么解决呢?更新Windows,到官网上下驱动,再安装。成功!还有就是记得更新你的显卡驱动,以防老的驱动不支持cuda。

CUDA安装的话,也是傻瓜试的安装。提醒一点的是,不要改变他的安装路径,默认路径。然后去NVIDIA的官网上下载cudnn库,这个库的话需祥局李要去NVIDIA注册一个账号,然后问你用这个来腊腊完成什么工作之类的巴拉巴拉。这个库长什么样呢?下载完解压缩,得到一个cuda的文件夹,谨迟里面有3个文件夹

然后打开你的CUDA文件夹,默认路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0

把cudnn库里面的3个文件夹里面的文件,分别加到cuda里面对应的文件夹。

然后打开cuda需要编译的部分,默认路径是C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0

因为我用的VS2015,那么我就用打开2015的那个,然后改成release运行。

至此,显卡计算的环境就搭建完成了。

3、cmake和git

cmake的话,我建议直接下载编译好的能运行的文件(到官网上下载),然后解压文件,把bin的路径添加到Path中。

git:因为frcnn里面有很多linux的脚本,你可以不用,但用的话会很方便的。所以我建议安装git。同样,傻瓜式的安装,直接到官网上下载。

二、py-faster-rcnn

1、编译caffe的python接口GPU版本(如果你编译过了就不用了)

因为frcnn的编译过程用需要用到python的caffe包,所以必须要先编译一次caffe。如果你已经编译过caffe的py接口就不用了。

下载微软的Caffe,git的地址

你可以用git直接下载,或者在git的地址里下载,随便你。

[plain] view plain copy

git clone

cd caffe

git checkout windows

打开caffe\scripts,然后编辑build_win.cmd文件

第7行的VERSION是你VS的版本,VS2015对应的是14,VS2013对应的应该是12;第8行改为0;第9行改为0(如果你不用GPU,那就还是1);13行的python_version是你的python版本,2.x就是2,3.x就是3;24,28行是你的python的安装目录,如果你是anaconda就改你的anaconda的目录,否则就不改。

同样69-95行同样修改。以上2张图是我的cmake文件配置。

进入caffe\scripts,打开cmd,直接执行build_win.cmd。注意他会自动下载需要的库,因为服务器呢都不在国内,所以我建议挂个VPN,不然你且等呢吧。

这样cmake后呢,python的接口就已经编译好了,不用再编译一遍了。把caffe\python下的caffe的文件夹copy到python的第三方包的文件夹就ok。

这样caffe的python接口就好了,你可以进cmd的python试一下import caffe。如果说,他提示少了什么包,你直接pip这个包就好了,找不到的话,百度一下就有。但只要你跟着上面我的方法做应该不会出现什么问题。

2、编译py-faster-rcnn依赖库

首先呢,我们先去编译一下frcnn的依赖库。Windows下,不能使用自带的lib,把自带的lib删了,重新下载,这里给出git的地址。

好了,现在你的库应该长成这样,有setup.py和setup_cuda.py。进cmd,install这2个文件。

现在你肯定会遇到问题,提示你VC版本不对

怎么办呢,先set一下:输入SET VS90COMNTOOLS=%VS140COMNTOOLS%,VS后面的数字就是你的版本。还有不要忘了把你VS的c1.exe加到path下。

编译好frcnn的依赖库后,应该是这个样子的。

3、给caffe加frcnn的层

现在,我们再下载一个caffe,跟前面一样,把build_win.cmd进行修改。然后我们就可以把frcnn的一些特有的层加到caffe里编译了。

1)添加层和文件

打开py-faster-rcnn\caffe-fast-rcnn\src\caffe\layers文件夹,找到4个文件分别为

然后copy到你新的caffe的对应文件夹caffe\src\caffe\layers里。

接着我们添加头文件,打开py-faster-rcnn\caffe-fast-rcnn\include\caffe,把fast_rcnn_layers.hpp这文件copy到caffe的对应文件夹下caffe\include\caffe。

2)配置2个新层

打开你的caffe\src\caffe\proto下的caffe.proto,进行编辑。

在407行左右

往原来的文件里添加新的层的配置信息

[plain] view plain copy

optional ROIPoolingParameter roi_pooling_param = 8266711

optional SmoothL1LossParameter smooth_l1_loss_param = 8266712

message ROIPoolingParameter {

// Pad, kernel size, and stride are all given as a single value for equal

// dimensions in height and width or as Y, X pairs.

optional uint32 pooled_h = 1 [default = 0]// The pooled output height

optional uint32 pooled_w = 2 [default = 0]// The pooled output width

// Multiplicative spatial scale factor to translate ROI coords from their

// input scale to the scale used when pooling

optional float spatial_scale = 3 [default = 1]

}

message SmoothL1LossParameter {

// SmoothL1Loss(x) =

// 0.5 * (sigma * x) ** 2-- if x <1.0 / sigma / sigma

// |x| - 0.5 / sigma / sigma -- otherwise

optional float sigma = 1 [default = 1]

}

3)cmake新的caffe的python接口

就是再执行一遍build_win.cmd就行。编译好之后,把caffe根目录下的python文件夹替换py-faster-rcnn\caffe-fast-rcnn的python文件夹。

三、demo

完成以上步骤你的py-faster-rcnn就已经编译成功了。如果你想用demo测试一下的话可以用.\data\scripts里的脚本去下载已经训练好的model,文件挺大的、速度挺慢的。所以给大家提供一个百度5,把caffemodel文件放在data\faster_rcnn_models,然后执行tools\demo.py就能看到结果了

写完main.cpp之后,到caffe目录下,make,然后它会编译你写的文件,对应生成梁祥的可执行文橡芹搏件。比如按我上面写的那样,首指make之后就会在caffe/build/examples/myproject文件夹里面生成一个main.bin,执行这个文件就可以了。


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/tougao/12238643.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-05-22
下一篇 2023-05-22

发表评论

登录后才能评论

评论列表(0条)

保存