本文主要是介绍caffe专题二将图像写入LMDB与读取LMDB—python实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
转自：https://blog.csdn.net/langb2014/article/details/52995349 大牛的文章啊，学习了
调用的是caffe的python接口
一：将图像写入LMDB
import os
import glob
import random
import numpy as npimport cv2import caffe
from caffe.proto import caffe_pb2
import lmdb#Size of images
IMAGE_WIDTH = 227
IMAGE_HEIGHT = 227# train_lmdb、validation_lmdb 路径
train_lmdb = '/xxxxx/train_lmdb'
validation_lmdb = '/xxxxx/validation_lmdb'# 如果存在了这个文件夹, 先删除
os.system('rm -rf ' + train_lmdb)
os.system('rm -rf ' + validation_lmdb)# 读取图像
train_data = [img for img in glob.glob("/xxx/*jpg")]
test_data = [img for img in glob.glob("/xxxx/*jpg")]# Shuffle train_data
# 打乱数据的顺序
random.shuffle(train_data)# 图像的变换, 直方图均衡化, 以及裁剪到 IMAGE_WIDTH x IMAGE_HEIGHT 的大小
def transform_img(img, img_width=IMAGE_WIDTH, img_height=IMAGE_HEIGHT):#Histogram Equalizationimg[:, :, 0] = cv2.equalizeHist(img[:, :, 0])img[:, :, 1] = cv2.equalizeHist(img[:, :, 1])img[:, :, 2] = cv2.equalizeHist(img[:, :, 2])#Image Resizing, 三次插值img = cv2.resize(img, (img_width, img_height), interpolation = cv2.INTER_CUBIC)return imgdef make_datum(img, label):#image is numpy.ndarray format. BGR instead of RGBreturn caffe_pb2.Datum(channels=3,width=IMAGE_WIDTH,height=IMAGE_HEIGHT,label=label,data=np.rollaxis(img, 2).tobytes()) # or .tostring() if numpy < 1.9# 打开 lmdb 环境, 生成一个数据文件，定义最大空间, 1e12 = 1000000000000.0
in_db = lmdb.open(train_lmdb, map_size=int(1e12))
with in_db.begin(write=True) as in_txn: # 创建操作数据库句柄for in_idx, img_path in enumerate(train_data):if in_idx % 6 == 0: # 只处理 5/6 的数据作为训练集continue # 留下 1/6 的数据用作验证集# 读取图像. 做直方图均衡化、裁剪操作img = cv2.imread(img_path, cv2.IMREAD_COLOR)img = transform_img(img, img_width=IMAGE_WIDTH, img_height=IMAGE_HEIGHT)if 'cat' in img_path: # 组织 label, 这里是如果文件名称中有 'cat', 标签就是 0label = 0 # 如果图像名称中没有 'cat', 有的是 'dog', 标签则为 1else: # 这里方, label 需要自己去组织label = 1 # 每次情况可能不一样, 灵活点datum = make_datum(img, label)# '{:0>5d}'.format(in_idx):# lmdb的每一个数据都是由键值对构成的,# 因此生成一个用递增顺序排列的定长唯一的keyin_txn.put('{:0>5d}'.format(in_idx), datum.SerializeToString()) #调用句柄，写入内存print '{:0>5d}'.format(in_idx) + ':' + img_path# 结束后记住释放资源，否则下次用的时候打不开。。。
in_db.close() # 创建验证集 lmdb 格式文件
print '\nCreating validation_lmdb'
in_db = lmdb.open(validation_lmdb, map_size=int(1e12))
with in_db.begin(write=True) as in_txn:for in_idx, img_path in enumerate(train_data):if in_idx % 6 != 0:continueimg = cv2.imread(img_path, cv2.IMREAD_COLOR)img = transform_img(img, img_width=IMAGE_WIDTH, img_height=IMAGE_HEIGHT)if 'cat' in img_path:label = 0else:label = 1datum = make_datum(img, label)in_txn.put('{:0>5d}'.format(in_idx), datum.SerializeToString())print '{:0>5d}'.format(in_idx) + ':' + img_path
in_db.close()
print '\nFinished processing all images'二：配置文件中使用proto
layer {top: "data"top: "label"name: "data"type: "Data"data_param {source: "/xxxxx/train_lmdb"backend:LMDBbatch_size: 128}transform_param {#mean_file: "/xxxxx/mean.binaryproto"mirror: true}include: { phase: TRAIN }
}三：读取proto数据
import caffe
from caffe.proto import caffe_pb2import lmdb
import cv2
import numpy as nplmdb_env = lmdb.open('mylmdb', readonly=True) # 打开数据文件
lmdb_txn = lmdb_env.begin() # 生成处理句柄
lmdb_cursor = lmdb_txn.cursor() # 生成迭代器指针
datum = caffe_pb2.Datum() # caffe 定义的数据类型for key, value in lmdb_cursor: # 循环获取数据datum.ParseFromString(value) # 从 value 中读取 datum 数据label = datum.labeldata = caffe.io.datum_to_array(datum)print data.shapeprint datum.channelsimage = data.transpose(1, 2, 0)cv2.imshow('cv2.png', image)cv2.waitKey(0)cv2.destroyAllWindows()
lmdb_env.close()Caffe多标签输入常用的的方法有以下几种：
1. 修改Caffe源码使其支持多标签输入，参考CSDN博客《caffe 实现多标签输入（multilabel、multitask）》
2. HDF5 + Slice Layer，HDF5支持多标签，但Caffe在读取HDF5时会将所有数据一次性预读进内存中，在数据量较大时就对内存有较高要求了；也可以对数据分片，通过在prototxt文件中加入Slice Layer层使Caffe依次读取每个数据分片。
3. 使用两个data输入（例如两个LMDB，一个存储图片，一个存储多标签），然后修改prototxt文件配置两个data layer。
实现第三种方法支持多标签输入。Caffe中单标签LMDB的创建可以通过自带的脚本很方便的实现，但多标签LMDB的创建并不像单标签那样简单易用，需要使用者对Caffe的Data Layer有足够的了解。
多标签的场景下，数据是 N x H x W x C 的一个4维的blob，对应的标签是 N x M x 1 x 1的一个4维的blob。
创建图片LMDB
使用下面的代码创建两个图片LMDB：
- train_data_lmdb - 用于训练的图片LMDB
- val_data_lmdb - 用于测试的图片LMDB
# 生成训练图片列表文件，即将tarin_images_dir目录下所有图片的路径写入temp.txt文件
find tarin_images_dir -type f -exec echo {} \; > temp.txt# 在temp.txt文件中每一行后追加伪标签，伪标签起占位符作用，实际并不使用
sed "s/$/ 0/" temp.txt > train_images.txt# 根据train_images.txt创建train_data_lmdb
$CAFFE_HOME/build/tools/convert_imageset -resize_height=256 -resize_width=256 / train_images.txt train_data_lmdb# 计算图片均值
$CAFFE_HOME/build/tools/compute_image_mean train_data_lmdb mean.binaryproto上面的代码用来生成train_data_lmdb，接下来修改代码生成val_data_lmdb.
创建标签LMDB使用下面的代码创建两个标签LMDB：
- train_label_lmdb - 用于训练的标签LMDB
- val_label_lmdb - 用于测试的标签LMDB读入每幅图片的多标签，生成标签LMDB，注意图片LMDB和标签LMDB中的顺序一致，创建LMDB的部分Python
代码如下：import sys
import numpy as np
import lmdbcaffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
import caffe# 根据多标签的位置选择从数据库、文件等中读取每幅图片的多标签，将其构造成一维的np.array类型，并追加入all_labels列表
all_labels = []
# Add your code of reading labels here ！# 创建标签LMDB
key = 0
lmdb_path = "/train_label_lmdb"
env = lmdb.open(lmdb_path, map_size=map_size)
with env.begin(write=True) as txn: for labels in all_labels:datum = caffe.proto.caffe_pb2.Datum()datum.channels = labels.shape[0]datum.height = 1datum.width = 1datum.data = labels.tostring() # or .tobytes() if numpy < 1.9 datum.label = 0key_str = '{:08}'.format(key)txn.put(key_str.encode('ascii'), datum.SerializeToString())key += 1上面的代码用来生成train_label_lmdb，接下来修改代码生成val_label_lmdb.
修改prototxt文件
上面我们已经创建了四个数据集train_data_lmdb、val_data_lmdb、train_label_lmdb、val_label_lmdb，并且计算了图片均值mean.binaryproto。
接下来就是修改神经网络deploy.prototxt使其支持多标签训练。由于有四个数据集，我们只需要在deploy.txt中加入四个data layers，分别用来配置这四个数据集。需要注意的是在标签lmdb对应的data layer的参数transform_param中通过scaling参数对label进行缩放，该操作的作用是按照Sigmoid Cross Entropy Loss函数的要求将label范围从[0,255]正则化到[0,1]（根据采用的多标签Loss函数的要求，scaling参数可以修改)。
将deploy.prototxt中原有的data layers修改为如下的四个data layers：
# ------------- 配置训练阶段的图片数据集 ----------------
layers {name: "data"type: DATAtop: "data"include {phase: TRAIN}transform_param {mirror: truecrop_size: 224mean_file: "data.binaryproto" # 修改为你的均值文件路径}data_param {source: "train_data_lmdb" # 修改为你的图片lmdb路径batch_size: 32backend: LMDB}
}# ------------- 配置训练阶段的标签数据集 ----------------
layers {name: "data"type: DATAtop: "label"include {phase: TRAIN}transform_param {scale: 0.00390625 # 根据需求设置标签缩放系数mean_value: 0}data_param {source: "train_label_lmdb" # 修改为训练集图片lmdb路径batch_size: 32backend: LMDB}
}# ------------- 配置测试阶段的图片数据集 ----------------
layers {name: "data"type: DATAtop: "data"include {phase: TEST}transform_param {mirror: falsecrop_size: 224mean_file: "mean.binaryproto" # 修改为你的均值文件路径}data_param {source: "val_data_lmdb" # 修改为训练阶段的图片lmdb路径batch_size: 1backend: LMDB}
}# ------------- 配置测试阶段的标签数据集 ----------------
layers {name: "data"type: DATAtop: "label"include {phase: TEST}transform_param {scale: 0.00390625 # 根据需求设置标签缩放系数mean_value: 0}data_param {source: "val_label_lmdb" # 修改为测试阶段的标签lmdb路径batch_size: 1backend: LMDB}
}......# ----------------- 多标签损失函数 -------------------
layers {name: "loss"type: SIGMOID_CROSS_ENTROPY_LOSSbottom: "fc8" # 根据需求配置bottom: "label"top: "loss"
}这篇关于caffe专题二将图像写入LMDB与读取LMDB—python实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
