Windows caffe VGG人脸识别

　　caffe自带的例子有mnist和cifar10，cifar10和mnist的运行方式类型，下好图片数据文件后，训练例子中的模型，然后测试模型，也可以自己用图片进行预测分类（自己图片最好是cifar10训练的10种类型）。10种类型如下：

airplane
automobile
bird
cat
deer
dog
frog
horse
ship
truck

其他类型的图片也只能是错误识别，没有意义。

　　进入正题，跑完例子，笔者饥渴的想来点别的分类和识别模型。结合时下热门的人脸识别技术，就决定用知名的VGG人脸模型了。

　　一、VGG介绍

　　http://www.robots.ox.ac.uk/~vgg/software/vgg_face/

　　网站提供了VGGFACE的论文出处，使用的是VGG-VERY-DEEP-16 CNN，它在YouTube网站的人脸识别结果可达到92.8%还是不错的成绩！

　　网站提供了Torch和caffe两种框架的模型，以及MatConvNet文件。

　　二、生成数据

　　使用现有的模型来测试，属于caffe的finetuing(微调模型)。

　　Windows下要将待测图片生成LEVELDB文件，我使用的是 IMM Face Database (240 images)  http://www.imm.dtu.dk/~aam/

可自行下载，数据集包含JPG格式的彩图，每人6张图片，共40人，240图片。

　　笔者在caffe/examples/目录下新建vggface目录，只要在caffe/目录下都行，在vggface下再分别创建train和val文件夹，存储训练和测试图片：如  D:\caffe\caffe-master\examples\vggface\train      D:\caffe\caffe-master\examples\vggface\val
　　从数据集选择测试图片放入train文件夹，再新建标签文本 train.txt

train.txt存放图片的名称和标签类别，注意类别是从0开始，比如10类就是0-9（有点C数组下标的感觉）

　　train.txt内容可通过.bat命令生成，笔者部分内容：

36-1m.jpg 0
36-2m.jpg 0
36-3m.jpg 0
36-4m.jpg 0
36-5m.jpg 0
37-1m.jpg 1
37-2m.jpg 1
37-3m.jpg 1
37-4m.jpg 1
37-5m.jpg 1
38-1m.jpg 2
38-2m.jpg 2
38-3m.jpg 2
38-4m.jpg 2
38-5m.jpg 2
39-1m.jpg 3
39-2m.jpg 3
39-3m.jpg 3
39-4m.jpg 3
39-5m.jpg 3

　　val文件内的图片和val.txt也是同样操作！

　　接下来是转换为LEVELDB的数据文件，笔者在网上搜索尝试了很多写法，很多都会报错，或者在Windows下使用shell脚本并不是很方便，最后综合了下，如下convertldb.bat可以成功转换。

　　

D:\caffe\caffe-master\Build\x64\Debug\convert_imageset.exe --resize_width=224 --resize_height=224 D:\caffe\caffe-master\examples\vggface\train\   D:\caffe\caffe-master\examples\vggface\train\train.txt D:\caffe\caffe-master\examples\vggface\train_leveldb -backend=leveldb  
Pause

　　为了还原真实环境我没有在每个目录参数前面换行以显得美观，有的博客将后面3个目录的参数都换行了，贴出来很好看，但是会出现不是内部程序的错误，去掉换行改为空格间隔即可解决！（代码有点长，请拉完观看）

　　convert_imageset.exe是自己在caffe工程里生成的，我没有Realease所以Debug也可以的。

　　--resize_height是为了调整图片的长宽，因为VGG模型要求是224*224大小，如果你自己用OPENCV或MATLAB调整了大小，可以不要这两个参数。

　　后面3个目录分别是训练图片的文件路径；训练图片的标签文件；生成的LEVELDB文件路径；

　　-backend=leveldb　　很重要，确保生成的是LEVELDB格式，默认是IMDB，Windows使用有问题！

成功执行convertldb.bat后，会生成对应文件夹，看.log文件大小不为0也没报错基本没问题。

　　val文件夹的图片也做和train文件夹类似的转换，只需要在convertldb.bat里修改为val文件夹路径即可！

 

　　有了LEVELDB文件后进入计算均值阶段：

　　也是脚本执行，如  compute_mean.bat

SET GLOG_logtostderr=1
D:\caffe\caffe-master\Build\x64\Debug\compute_image_mean.exe -backend=leveldb  D:\caffe\caffe-master\examples\vggface\train_leveldb D:\caffe\caffe-master\examples\vggface\mean.binaryproto
pause

　　计算均值一般不会出错，compute_image_mean.exe也是在caffe工程里通过VS2013生成的。

　　后面两个目录参数依次是： LEVELEDB的文件路径； 生成的均值文件路径；caffe的均值文件是xx.binaryproto

　　三、修改网络

　　VGG网络可以使用的网络架构模型和某些基本solver参数，但是数据路径，输入层，输出全连接层之类的还是要根据自己的图片类别进行修改。

　　新建vggface_train_test.protxt，将下载的模型内的VGG_FACE_deploy.prototxt内容复制到vggface_train_test.protxt。对前面的数据层和最后的输出层进行修改：　　

name: "vggface_train_test.prototxt"
layers {
  name: "data"
  type: DATA
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
  mirror: true
  crop_size: 224
  mean_value: 66
  mean_value: 71
  mean_value: 63
  }
  data_param{
  source: "D:/caffe/caffe-master/examples/vggface/train_leveldb"
  batch_size: 3
  backend: LEVELDB
  }
}
layers {
  name: "data"
  type: DATA
  top: "data"
  top: "label"
  include {
  phase: TEST
  }
  transform_param{
  mirror: false
  crop_size: 224
  mean_value: 66
  mean_value: 71
  mean_value: 63
  }
  data_param{
  source: "D:/caffe/caffe-master/examples/vggface/val_leveldb"
  batch_size: 3
  backend: LEVELDB
  }
}
layers {
  bottom: "data"
  top: "conv1_1"
  name: "conv1_1"
  type: CONVOLUTION
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
  }
}

　　修改到第一个卷积层conv1_1之前，如上所示，中间的网络层不用修改。

　　最后两层改为如下形式：

layers {
  bottom: "fc7"
  top: "facefc8"
  name: "facefc8"
  type: INNER_PRODUCT
  inner_product_param {
    num_output: 5
  }
}
layers {
  bottom: "facefc8"
  top: "prob"
  name: "prob"
  type: SOFTMAX
}

　　主要是修改两处： 1.name修改，不能使用之前的fc8会报错，笔者改为facefc8； 2.修改num_output分类数我的类别是5个所以改为5！

　　接下来是建vggface_solver.prototxt，如下：

# The train/test net protocol buffer definition
net: "examples/vggface/vggface_train_test.prototxt"
# test_iter specifies how many forward passes the test should carry out.
test_iter: 15
test_interval: 15
test_initialization: false
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.00005
momentum: 0.9
weight_decay: 0.0002
lr_policy: "step"
stepsize: 320000
gamma: 0.3
average_loss: 40
# Display every 100 iterations
display: 40
max_iter: 600
# snapshot intermediate results
snapshot: 200
snapshot_prefix: "examples/vggface/vggmodel"
solver_mode: CPU

　　其中迭代次数，学习率，权值衰减都可以自己修改，学习率一开始要小点，笔者电脑渣为了快速看到结果迭代次数都比较少，建议大家迭代次数都是上百上千比较好！

　　vggface_solver.prototxt写好后，写一个训练finetuing脚本就行，笔者为 vgg_train.bat

cd ../../
"Build/x64/Debug/caffe.exe" train --solver=examples/vggface/vggface_solver.prototxt --weights=examples/vggface/VGG_FACE.caffemodel
pause 

　　几点说明：caffe.exe路径自己修改

　　训练网络所以使用 train 关键字，若是测试则为 test

　　要加上--weigths  后面为下载的VGGcaffe模型，表示只是对网络finetuing，如果不加就是训练新的网络了！

　　最后还可以带一个参数　　-gpu=0  表示使用GPU加速，笔者电脑仅CPU所以没写。

成功训练模型后会出现下图的optimization Done 表示结束！

　　

　　同时也会生成对应的 .caffemodel和 .solverstate文件，按迭代次数出现多个如：

　　有了finetuing后的自己模型后就可以使用测试数据进行结果测试，也可以使用C++调用模型进行分类识别操作。

　　测试结果步骤与mnist例子类似，先写到这！