标签：程序 amp info 展示 正文 dmi ini 路径 desktop
制作LMDB详细教程
摘要：
当我们在使用Caffe做深度学习项目时，经常需要制作Caffe常用的数据类型lmdb、leveldb以及hdf5等（尽管可以使用原始图片，效率低），而不是我们常见的JPG、PNG、TIF。因此，我们需要对我们采集的数据进行格式转换，即通过输入我们自己的图片目录（包含有训练集和验证集的大量图片）转换成一个lmdb库文件的输出；这个过程一般是有Caffe工具中的convert_imageset，该工具在编译过的Caffe中，具体位置是：D:\你的caffe根目录\caffe\caffe-windows\Build\Int\convert_imageset（这里其实没啥用，不要管它）。
开始正文：
格式转换的4个必要条件：
（1）编译好Caffe，而且convert_imageset存在；
（2）需要被转换的图像和目录，注意它们是有要求的（请看稍后的文件目录架构）；
（3）在将图像转换为lmdb格式之前，首先生成两个标签文件train.txt和val.txt（具体格式见下文）；
（4）运行编辑修改好的create_imagenet.sh（最好将其制到你的项目文件夹下，不修改原始文件）生成lmdb文件。
所在位置：D:\你的caffe根目录\caffe\caffe-windows\examples\imagenet
1. 数据集的组织架构（文件目录结构）
接下来，我将会使用一个例子详细介绍即将要使用的数据集的目录结构。这里制作的是一个分类数据集，主要包括两个类别：dog和cat，我们用数字0表示cat的类别，数字1来表示dog类别。在总目录data_set文件夹下，包括两个子文件夹分别是train和val，它们分别存储着训练集和验证集的所有图片。在train文件夹下 也包含两个子文件夹，它们分别是“0”和“1”，里面分别存储的是dog和cat的所有图像。在val的文件夹下没有子文件夹（其实也可以像train一样），直接是将要用于验证的图像数据，我们可以根据图像的名字知道它所属的类别，便于写出val.txt文件。鉴于这一步是格式转换的基础，我将整个目录详细结构用图展示如下：
（1）数据集根目录所在路径：C:\Users\Administrator\Desktop
（2）data_set的子文件夹：C:\Users\Administrator\Desktop\data_set
（3）train的子文件夹：C:\Users\Administrator\Desktop\data_set\train
（a）“0”文件夹下的文件：C:\Users\Administrator\Desktop\data_set\train\0
这里图片文件的名字其实可以随意，因为文件夹就指出了它所属的类别。
（b）“1”文件夹下的文件：C:\Users\Administrator\Desktop\data_set\train\1
这里图片文件的名字其实可以随意，因为文件夹就指出了它所属的类别。
（4）val的子文件夹：C:\Users\Administrator\Desktop\data_set\val
这里的图像文件的名字必须可以判断它所属的类别，我们使用python中的split（）函数可以将文件名以“_”分隔开来获取图像所属类别，具体见程序。
至此，我已经详细介绍了整个数据集的详细目录结构，我相信这已经足够详细啦！接下来，我们开始更至关重要的一步操作。
Caffe系列2——制作LMDB数据详细过程（手把手教你制作LMDB）
标签：程序 amp info 展示 正文 dmi ini 路径 desktop
原文地址：https://www.cnblogs.com/xiaoboge/p/10678658.html
