【转】caffe之训练数据格式
原文地址：http://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，不过我一般使用这两种数据格式，因此本文就主要针对这两种数据格式的制作方法，进行简单讲解。
一、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，把训练数据性别为男、女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男女性别文件。我们在test_female下面存放了都是女性的图片，然后在test_male下面存放的都是验证数据的男性图片。
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。
我们把女生图片标号为１，男生图片标记为０。标签数据文件txt的生成可以通过如下代码，通过扫描路径男、女性别下面的图片，得到标签文件train.txt和val.txt：
import os import numpy as np from matplotlib import pyplot as plt import cv2 import shutil #扫面文件 def GetFileList(FindPath,FlagStr=[]): import os FileList=[] FileNames=os.listdir(FindPath) if len(FileNames)>0: for fn in FileNames: if len(FlagStr)>0: if IsSubString(FlagStr,fn): fullfilename=os.path.join(FindPath,fn) FileList.append(fullfilename) else: fullfilename=os.path.join(FindPath,fn) FileList.append(fullfilename) if len(FileList)>0: FileList.sort() return FileList def IsSubString(SubStrList,Str): flag=True for substr in SubStrList: if not(substr in Str): flag=False return flag txt=open('train.txt','w') #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 imgfile=GetFileList('first_batch/train_female') for img in imgfile: str=img+'\t'+'1'+'\n' txt.writelines(str) imgfile=GetFileList('first_batch/train_male') for img in imgfile: str=img+'\t'+'0'+'\n' txt.writelines(str) txt.close()
把生成的标签文件，和train\val文件夹放在同一个目录下面：
需要注意，我们标签数据文件里的文件路径和图片的路径要对应的起来，比如val.txt文件的某一行的图片路径，是否在val文件夹下面：
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，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，打包脚本如下：
#!/usr/bin/env sh # Create the imagenet lmdb inputs # N.B. set the path to the imagenet train + val data dirs EXAMPLE=. # 生成模型训练数据文化夹 TOOLS=／/../build/tools # caffe的工具库，不用变 DATA=. # python脚步处理后数据路径 TRAIN_DATA_ROOT=train/ #待处理的训练数据 VAL_DATA_ROOT=val/ # 带处理的验证数据 # Set RESIZE=true to resize the images to 256x256. Leave as false if images have # already been resized using another tool. RESIZE=true#是否需要对图片进行resize 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."
通过运行上面的脚本，我们即将得到文件夹train_lmdb\val_lmdb：
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。我们也可以通过如下的代码读取上面打包好的数据，把图片、和标签打印出来，查看一下，查看lmdb数据请参考下面的代码：
python lmdb数据验证：
# coding=utf-8 caffe_root = '/home/hjimce/caffe/' import sys sys.path.insert(0, caffe_root + 'python') import caffe import os import lmdb import numpy import matplotlib.pyplot as plt def readlmdb(path,visualize = False): env = lmdb.open(path, readonly=True,lock=False) datum = caffe.proto.caffe_pb2.Datum() x=[] y=[] with env.begin() as txn: cur = txn.cursor() for key, value in cur: # 转换为datum datum.ParseFromString(value) # 读取datum数据 img_data = numpy.array(bytearray(datum.data))\ .reshape(datum.channels, datum.height, datum.width) print img_data.shape x.append(img_data) y.append(datum.label) if visualize: img_data=img_data.transpose([1,2,0]) img_data = img_data[:, :, ::-1] plt.imshow(img_data) plt.show() print datum.label return x,y
通过上面的函数，我们可以是读取相关的lmdb数据文件。
４、制作均值文件。
这个是为了图片归一化而生成的图片平均值文件，把所有的图片相加起来，做平均，具体的脚本如下：
#!/usr/bin/env sh # Compute the mean image from the imagenet training lmdb # N.B. this is available in data/ilsvrc12 EXAMPLE=. DATA=train TOOLS=../../build/tools $TOOLS/compute_image_mean $EXAMPLE/train_lmdb \ ＃train_lmdb是我们上面打包好的lmdb数据文件 $DATA/imagenet_mean.binaryproto echo "Done."
运行这个脚本，我们就可以训练图片均值文件：imagenet_mean.binaryproto
至此，我们得到了三个文件：imagenet_mean.binaryproto、train_lmdb、val_lmdb，这三个文件就是我们最后打包好的数据，这些数据我们即将作为caffe的数据输入数据格式文件，把这三个文件拷贝出来，就可以把原来还没有打包好的数据删了。这三个文件，我们在caffe的网络结构文件，数据层定义输入数据的时候，就会用到了：
name: "CaffeNet" layers { name: "data" type: DATA top: "data" top: "label" data_param { source: "train_lmdb"＃lmbd格式的训练数据 backend: LMDB batch_size: 50 } transform_param { crop_size: 227 mirror: true mean_file:"imagenet_mean.binaryproto"＃均值文件 } include: { phase: TRAIN } } layers { name: "data" type: DATA top: "data" top: "label" data_param { source: "val_lmdb"＃lmdb格式的验证数据 backend: LMDB batch_size: 50 } transform_param { crop_size: 227 mirror: false mean_file:"imagenet_mean.binaryproto"＃均值文件 } include: { phase: TEST } }
二、h5py格式数据
上面的lmdb一般用于单标签数据，图片分类的时候，大部分用lmdb格式。然而假设我们要搞的项目是人脸特征点识别，我们要识别出68个人脸特征点，也就是相当于136维的输出向量。网上查了一下，对于caffe多标签输出，需要使用h5py格式的数据，而且使用h5py的数据格式的时候，caffe是不能使用数据扩充进行相关的数据变换的，很是悲剧啊，所以如果caffe使用h5py数据格式的话，需要自己在外部，进行数据扩充，数据归一化等相关的数据预处理操作。
1、h5py数据格式生成
下面演示一下数据h5py数据格式的制作：
# coding: utf-8 caffe_root = '/home/hjimce/caffe/' import sys sys.path.insert(0, caffe_root + 'python') import os import cv2 import numpy as np import h5py from common import shuffle_in_unison_scary, processImage import matplotlib.pyplot as plt def readdata(filepath): fr=open(filepath,'r') filesplit=[] for line in fr.readlines(): s=line.split() s[1:]=[float(x) for x in s[1:]] filesplit.append(s) fr.close() return filesplit #因为我们的训练数据可能不是正方形，然而网络的输入的大小是正方形图片，为了避免强制resize引起的图片扭曲，所以我们采用填充的方法 def sqrtimg(img): height,width=img.shape[:2] maxlenght=max(height,width) sqrtimg0=np.zeros((maxlenght,maxlenght,3),dtype='uint8') sqrtimg0[(maxlenght*.5-height*.5):(maxlenght*.5+height*.5),(maxlenght*.5-width*.5):(maxlenght*.5+width*.5)]=img return sqrtimg0 def generate_hdf5(): labelfile =readdata('../data/my_alige_landmark.txt') F_imgs = [] F_landmarks = [] for i,l in enumerate(labelfile): imgpath='../data/'+l[0] img=cv2.imread(imgpath) maxx=max(img.shape[0],img.shape[1]) img=sqrtimg(img)#把输入图片填充成正方形，因为我们要训练的图片的大小是正方形的图片255*255 img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#图片转为灰度图像 f_face=cv2.resize(img,(39,39))#把图片缩放成255＊255的图片 # F plt.imshow(f_face,cmap='gray') f_face = f_face.reshape((1, 39, 39)) f_landmark =np.asarray(l[1:],dtype='float') F_imgs.append(f_face) #归一化人脸特征点标签,因为上面height等于width，这里比较懒，直接简写 f_landmark=f_landmark/maxx #归一化到0～１之间 print f_landmark F_landmarks.append(f_landmark) F_imgs, F_landmarks = np.asarray(F_imgs), np.asarray(F_landmarks) F_imgs = processImage(F_imgs)#图片预处理，包含均值归一化，方差归一化等 shuffle_in_unison_scary(F_imgs, F_landmarks)#打乱数据 #生成h5py格式 with h5py.File(os.getcwd()+ '/train_data.h5', 'w') as f: f['data'] = F_imgs.astype(np.float32) f['landmark'] = F_landmarks.astype(np.float32) #因为caffe的输入h5py不是直接使用上面的数据，而是需要调用.txt格式的文件 with open(os.getcwd() + '/train.txt', 'w') as f: f.write(os.getcwd() + '/train_data.h5\n') print i if __name__ == '__main__': generate_hdf5()
利用上面的代码，可以生成一个train.txt、train_data.h5的文件，然后在caffe的prototxt中，进行训练的时候，可以用如下的代码，作为数据层的调用：
layer { name: "hdf5_train_data" type: "HDF5Data" #需要更改类型 top: "data" top: "landmark" include { phase: TRAIN } hdf5_data_param { #这个参数类型h5f5_data_param记得要更改 source: "h5py/train.txt" #上面生成的train.txt文件 batch_size: 64 } }
上面需要注意的是，相比与lmdb的数据格式，我们需要该动的地方，我标注的地方就是需要改动的地方，还有h5py不支持数据变换。
2、h5py数据读取
f=h5py.File('../h5py/train.h5','r') x=f['data'][:] x=np.asarray(x,dtype='float32') y=f['label'][:] y=np.asarray(y,dtype='float32') print x.shape print y.shape
可以通过上面代码，查看我们生成的.h5格式文件。
在需要注意的是，我们输入caffe的h5py图片数据为四维矩阵（number_samples,nchannels,height,width）的矩阵，标签矩阵为二维（number_samples,labels_ndim）,同时数据的格式需要转成float32，用于回归任务。
