一、準備訓練資料

1.下載資料集
本文采用南京大學開源的資料集(點選下載:http://lamda.nju.edu.cn/files/miml-image-data.rar)
資料集中含有2000張影象，5個類，分別為 desert, mountains, sea, sunset , trees。
下載後包含兩個壓縮檔案包:original.rar 以及 processed.rar
original.rar 中包含了2000張影象資料

示例如下：

processed.rar 中包含了影象對應的標籤資訊。
解壓後為matlab檔案格式。
本文需要的是標籤矩陣 target.mat

示例如下：

2.轉換標籤檔案
本文需將 target.mat 轉換為txt格式的標籤檔案。
對於每一張影象 imagename.jpg, 對應生成一個 imagename.jpg.txt 的標籤檔案，檔案中每一行為影象所含標籤。

對於下圖左邊的影象，有標籤 desert，mountains，則對應的標籤檔案內容如右邊所示。

對於 target.mat 檔案，轉化的matlab指令碼如下:

 load('miml data.mat');
if ~exist('labeldir') 
    mkdir labeldir;
end
LabelDir='labeldir/';
for i
 
 = 1:2000
    stri = num2str(i);
    label_file_name = [LabelDir stri '.jpg.txt'];
    fid = fopen(label_file_name,'w');
    for j = 1:5
        if targets(j,i)==1
            fprintf(fid,'%s\n',class_name{j});
        end
    end
    fclose(fid);
end

二、多標籤分類

本文利用已訓練好的權重，將最後一層替換為自定義的資料集的類別數，前面權值不變，只訓練最後的一層。
1.將包含所有影象的資料夾放入 Multi-label-Inception-net/images 目錄下
2.將labeldir目錄拷貝到 Multi-label-Inception-net 目錄下，改名為image_labels_dir(替換原同名目錄)
3.執行 python 指令碼

python retrain.py \
--bottleneck_dir=bottlenecks \
--how_many_training_steps 500 \
--model_dir=model_dir \
--output_graph=retrained_graph.pb \
--output_labels=retrained_labels.txt \
--summaries_dir=retrain_logs \
--image_dir=images

開始訓練

訓練完成

三、影象預測

利用指令碼label_image.py 進行影象預測
呼叫如下：

python label_image.py images/image/4.jpg

得到輸出結果：