caffe實戰之“車牌識別”
上一篇部落格寫了如何在cpu的情況下配置環境，配置好環境後編譯成功，就可以用caffe框架訓練卷積神經網路了。今天介紹如何在caffe環境下，跑車牌識別的資料，利用的網路是LeNet，這裡只介紹具體caffe實戰步驟，網路結構不做具體介紹。

1、準備資料

在caffe根目錄下的data資料夾下新建一個mine資料夾，在mine資料夾新建一個train和val資料夾，在train資料夾下新建0和1資料夾（為了簡單，只做了一個二分類，可以改成多類），在0和1資料夾下分別存放分好類的資料：

在val資料夾下放用於驗證的資料

在mine資料夾下新建train.txt和val.txt，用於存放索引，把train和val資料夾下的資料索引新增進來，如果資料量比較小可以先手動新增一下，如果資料量比較大就寫一段程式實現一下就好。

請注意：左邊的txt檔案的bird和dog改成0和1，這是train資料夾下的兩個子資料夾名字，這個是之前寫的檔案，懶得改了。

2、轉換資料

如果在vs2013環境下編譯通過了，那麼在caffe根目錄下的bin資料夾下會有convert_imageset.exe檔案，如果有這個檔案，在caffe資料夾下新建一個指令碼，指令碼內容是：

注意：最後一個雙引號表示的是資料轉化後存放的位置
可以實現對圖片資料的轉換。（也可以把指令碼放在其它位置，在寫指令碼的時候注意路徑就可以了）

執行完這個指令碼後，在mine資料夾下會出現兩個資料夾

（如果寫的是存放其它路徑可以在其它路徑下找這兩個資料夾）

3、計算mean
在上一步中在VS2013編譯通過的情況下，在bin資料夾下會有一個computer_image_mean.exe檔案，如果沒有可以嘗試編譯computer_image_mean。然後在caffe資料夾下新建指令碼，實現計算mean：

第二個雙引號代表存放上一步轉化好的資料的位置，第三個引號代表mean的存放位置（如果想要修改注意路徑就可以了）

執行完之後，在data/mine/下會有

這就是計算好的均值檔案。

4、開始訓練

因為用的資料是車牌識別的，所以最好的網路就是LeNet網路了，我直接用的就是caffe提供的車牌識別中的LeNet


把這兩個檔案複製到mine資料夾下，把platerecognition_LeNet檔案重名為為train_val(可以不重新命名，名稱而已)

在solver檔案中把路徑改一下：

在train_val檔案中把訓練驗證資料的路徑以及最後一層的輸出修改一下：（因為我測試是二分類，所以最後的輸出改成了2）

修改一下模型的儲存路徑：

在mine資料夾下新建指令碼：（也可以在其它路徑下，在寫指令碼的時候注意路徑就好）

雙節開始訓練：

注意：因為只有20張影象，所以肯定是要過擬合的。這裡只介紹一個流程，在實際跑的時候需要提供大量的資料，這也是神經網路所依賴的！

5、測試
在測試的時候，寫一個指令碼檔案：（把deploy的路徑載入上去，別忘了，把deploy的最後輸出改成2,因為訓練的時候就是二分類，另外需要載入一個類別檔案，category.txt）

這樣，整個流程就跑通了，這是利用caffe命令列的形式來訓練網路。