MatConvNet-oneclick Train your own data with MatConvNet

MatConvNet tutorial:Train your own data

MatConvNet训练自己的数据

安装和编译MatConvNet(Build the library with CUDA)

git clone https://github.com/vlfeat/matconvnet
cd matconvnet
%create a new file called compileGPU.m and save its contents as:
addpath matlab
vl_compilenn('enableGpu', true, ...
           'cudaRoot', 'C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v8.0', ...
           'cudaMethod', 'nvcc');%,...
%                'enableCudnn', 'true',...
%                'cudnnRoot','E:\\MachineLearning\\DeepLearning\\CuDNN\\CUDNNv4') ;
%

%then setup the mex environment
%please select VS2015 or greater
mex -setup c
mex -setup cpp
%finally compile it
compileGPU

准备数据Prepare data

在这里从EasyPR获取了车牌数据(解压data.zip即可),0-9共10类字符,每类字符存放在一个子文件夹下,如下图所示:

代码加载数据的部分位于cnn_plate_setup_data.m,请自行调节输入图像大小

inputSize =[20,20,1];

数据存放的路径在startup.m

datadir='data';

编写网络结构Setup the net structure

参考cnn_plate_init.m编写网络结构,构建了3层卷积和池化的网络,激活函数为ReLU.

f=1/100 ;
net.layers = {};
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(3,3,1,20, 'single'), zeros(1, 20, 'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'pool', ...
                           'method', 'max', ...
                           'pool', [2 2], ...
                           'stride', 2, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'relu') ;
net.layers{end+1} = struct('type', 'conv', ...
                           'weights', {{f*randn(3,3,20,100, 'single'),zeros(1,100,'single')}}, ...
                           'stride', 1, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'pool', ...
                           'method', 'max', ...
                           'pool', [2 2], ...
                           'stride', 2, ...
                           'pad', 0) ;
net.layers{end+1} = struct('type', 'relu') ;
net.layers{end+1} = struct('type', 'conv', ...
   'weights', {{f*randn(3,3,100,65, 'single'),zeros(1,65,'single')}}, ...
   'stride', 1, ...
   'pad', 0) ;
net.layers{end+1} = struct('type', 'softmaxloss') ;

% Meta parameters
net.meta.inputSize = [20 20 1] ;
net.meta.trainOpts.learningRate = logspace(-3, -5, 100);
net.meta.trainOpts.numEpochs = 50 ;
net.meta.trainOpts.batchSize = 1000 ;

% Fill in defaul values
net = vl_simplenn_tidy(net) ;

训练Train

运行cnn_plate.m训练网络,训练过程中的曲线如下图所示,可以看出很快就到达99%的准确率.

测试Demo

demo.m展示了如何使用训练好的模型

Note:记得修改netpath为自己训练的模型哟.

参考Reference

caffe一键式集成开发环境

mxnet训练自己的数据

© 版权声明
THE END
喜欢就支持一下吧
点赞555 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容