caffe讀取多標簽的lmdb數據

問題描述：

lmdb文件支持數據+標簽的形式，但是卻只能寫入一個標簽，引入多標簽的解決方法有很多，這兒詳細說一下我的辦法：制作多個data數據，分別加入一個標簽。我的方法只適用於標簽數量較少的情況，標簽數量比較多的話建議修改源碼支持。下面介紹詳細步驟。以下均以兩個標簽作為介紹。

生成兩個含單標簽的list：

img1 0
img2 0
img3 1
img4 1

img1 10
img2 11
img3 10
img4 11

按照同一順序做shuffle處理，caffe訓練數據shuffle處理是有必要的，雖然caffe的lmdb轉換工具能夠直接做shuffle，但是不能保證兩個list的順序一致。文本按行亂序的命令可以參考http://www.cnblogs.com/zhaojunjie/p/6735713.html。處理后的文件如下：

img1 0
img3 1 img4 1 img2 0

img1 10
img3 10 img4 11 img2 11

接下來就可以對他們生成兩個lmdb了，值得注意的是如果圖像數據較大，生成lmdb時可以將第二個list的圖像resize到1*1，如下（前面已經shuffle，這里不再加入shuffle參數）：

pathtocaffe/build/tools/convert_imageset --resize_height=256 --resize_width=256 "" list1 lmdb_data_1
pathtocaffe/build/tools/convert_imageset --resize_height=1 --resize_width=1 "" list2 lmdb_data_2

生成好了lmdb，如何用呢？prototxt文件參考如下：

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label1"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    mean_file: "train_VGG_cub_mean.binaryproto"
    crop_size: 224
  }
  data_param {
    source: "lmdb_data_1"
    backend: LMDB
    batch_size: 16
  }
}
layer {
  name: "data2"
  type: "Data"
  top: "data_noused"
  top: "label2"
  include {
    phase: TRAIN
  }
  data_param {
    source: "lmdb_data_2"
    backend: LMDB
    batch_size: 16
  }
}
#將data_nousedresize到1位，防止caffe輸出過多內容
layer {
　　name: "reductionx"
　　bottom: "data_noused"
　　top: "data_noused"
　　type: "Reduction"
　　reduction_param {
　　　　axis: 0
　　}

}

【完】