无论是商业业主还是家庭主人，都可能面临动物如鹿、驼鹿甚至猫对花园、庄稼和财产造成的损害。在本系列文章中，将展示如何在Raspberry Pi上实时（或近实时）检测害虫（例如驼鹿），然后采取措施将其驱赶。由于不想造成伤害，将专注于通过播放响亮的噪音来吓走害虫。
欢迎下载项目的源代码。假设熟悉Python并且对神经网络的工作原理有基本的了解。
在前一篇文章中，为驼鹿检测组装了一个数据集，其中包含驼鹿类和背景类的对象图像。在本文中，将开发一个分类器DNN模型并在数据集上对其进行训练。将使用Caffe来创建和训练DNN。请在PC上安装此框架以继续。
DNN开发始于创建模型结构。由于将在Raspberry Pi上使用神经网络，因此模型应该是轻量级的，以便能够以适当的速度运行。从头开始设计一个优化的DNN模型是一个相当复杂的任务，不会在这里详细描述。建议使用以下网络架构：
这是一个使用免费在线编辑器可视化的CaffeDNN模型。它可能不是绝对最好的模型，但绝对足够满足目的。这是从AlexNet架构衍生而来的，AlexNet是第一个（也是最简单的）成功应用于图像分类的网络。修剪并优化了原始架构，用于对少量对象类别进行分类。生成的模型有四个卷积层，具有64-128-128-64核（卷积滤波器）。
还有两个池化层用于将输入图像的维度减少到128 x 128像素。中间的全连接（FC）层有256个神经元，最后一个FC层有两个神经元（每个对象类别一个：背景和驼鹿）。
还需要的另一个组件是训练模型，这是一个修改后的分类模型，它替换了输入和输出层。训练模型的输入层必须指定用于训练和测试的标记数据源。输出层必须指定在训练期间要最小化的损失函数。
为了提供标记数据源，创建包含所有样本图像路径和标签（图像对象类别的标识符）的文本文件。让将样本图像组织到以下文件夹中：
PI_PEST Learning 0 1 Testing 0 1 如所见，有两个主要文件夹，Learning和Testing，分别用于训练和测试。0子文件夹是背景样本，1子文件夹是驼鹿样本。
首先将每个类别的500个样本图像移动到测试目录，并将所有剩余图像移动到学习目录。现在让编写一些Python代码来生成源文件：
import os
import numpy as np
import cv2
class TrainFiler:
def get_labels(self, folder):
subfolders = os.scandir(folder)
labels = []
for classfolder in subfolders:
class_name = os.path.basename(classfolder)
files = FileUtils.get_files(classfolder)
for (i, fname) in enumerate(files):
label = fname + "\n" + class_name
labels.append(label)
return labels
def save_labels(self, labels, filename):
with open(filename, 'w') as f:
for label in labels:
f.write('%s\n' % label)
def gen_train_files(self, learn_folder, test_folder, learn_file, test_file):
labels = self.get_labels(learn_folder)
self.save_labels(labels, learn_file)
labels = self.get_labels(test_folder)
self.save_labels(labels, test_file)
可以这样运行它：
learn_folder = r"C:\PI_PEST\Learning"
test_folder = r"C:\PI_PEST\Testing"
learn_file = r"C:\PI_PEST\classeslearn.txt"
test_file = r"C:\PI_PEST\classestest.txt"
filer = TrainFiler()
filer.gen_train_files(learn_folder, test_folder, learn_file, test_file)
这将产生两个源文件，包含以下数据：
...
C:\PI_PEST\Learning\0\vlcsnap-2020-10-26-16h13m39s332(x253,y219,w342,h342)fliprotate15.png 0
C:\PI_PEST\Learning\0\vlcsnap-2020-10-26-16h13m39s332(x253,y219,w342,h342)fliprotate_15.png 0
C:\PI_PEST\Learning\1\vlcsnap-2020-10-21-13h46m55s365(x106,y28,w633,h633).png 1
C:\PI_PEST\Learning\1\vlcsnap-2020-10-21-13h46m55s365(x106,y28,w633,h633)flip.png 1
...
...
C:\PI_PEST\Testing\0\vlcsnap-2020-10-26-16h16m22s719(x39,y36,w300,h300)smooth5rotate15.png 0
C:\PI_PEST\Testing\0\vlcsnap-2020-10-26-16h16m22s719(x39,y36,w300,h300)smooth5rotate_15.png 0
C:\PI_PEST\Testing\1\vlcsnap-2020-10-26-16h08m31s421(x276,y0,w566,h566)flipsharpen5.png 1
C:\PI_PEST\Testing\1\vlcsnap-2020-10-26-16h08m31s421(x276,y0,w566,h566)flipsharpen5rotate15.png 1
...
在开始训练过程之前，最后一件事是准备所谓的求解器规范。对于Caffe框架，这是一个包含训练过程参数的文本文件。
net: "classes_learn_test.prototxt"
test_iter: 1000
max_iter: 100000
base_lr: 0.001
solver_mode: CPU
net参数指定了'训练'模型的路径，test_iter是准确性测试的周期，max_iter是运行的最大迭代次数，base_lr是学习率的起始值，solver_mode参数定义了训练过程是在CPU还是GPU上执行。
要启动Caffe进行模型训练，需要将以下数据文件复制到Caffe可执行文件文件夹：classes_learn_test.prototxt（训练文件），classeslearn.txt和classestest.txt（生成的训练和测试数据文件），以及classes_solver.prototxt（求解器规范文件）。
使用以下命令启动训练过程：
caffe.exe train -solver=classes_solver.prototxt
在打开的控制台窗口中，可以看到训练过程的进度：
I1028 09:10:24.546773 32860 solver.cpp:330] Iteration 3000, Testing net (#0)
I1028 09:13:12.228042 32860 solver.cpp:397] Test net output #0: accuracy = 0.95
I1028 09:13:12.229039 32860 solver.cpp:397] Test net output #1: loss = 0.209061 (* 1 = 0.209061 loss)
I1028 09:13:12.605070 32860 solver.cpp:218] Iteration 3000 (1.83848 iter/s, 543.929s/1000 iters), loss = 0.0429298
I1028 09:13:12.605070 32860 solver.cpp:237] Train net output #0: loss = 0.00469132 (* 1 = 0.00469132 loss)
I1028 09:13:12.608062 32860 sgd_solver.cpp:105] Iteration 3000, lr = 0.000800107
I1028 09:19:11.598755 32860 solver.cpp:447] Snapshotting to binary proto file classes_iter_4000.caffemodel
I1028 09:19:11.641045 32860 sgd_solver.cpp:273] Snapshotting solver state to binary proto file classes_iter_4000.solverstate
I1028 09:19:11.661990 32860 solver.cpp:330] Iteration 4000, Testing net (#0)
I1028 09:21:51.567586 32860 solver.cpp:397] Test net output #0: accuracy = 0.971
I1028 09:21:51.568584 32860 solver.cpp:397] Test net output #1: loss = 0.0755974 (* 1 = 0.0755974 loss)
I1028 09:21:51.942620 32860 solver.cpp:218] Iteration 4000 (1.92553 iter/s, 519.337s/1000 iters), loss = 0.0283988
I1028 09:21:51.942620 32860 solver.cpp:237] Train net output #0: loss = 0.0119124 (* 1 = 0.0119124 loss)
I1028 09:21:51.942620 32860 sgd_solver.cpp:105] Iteration 4000, lr = 0.000751262
I1028 09:29:05.931291 32860 solver.cpp:447] Snapshotting to binary proto file classes_iter_5000.caffemodel
I1028 09:29:06.011082 32860 sgd_solver.cpp:273] Snapshotting solver state to binary proto file classes_iter_5000.solverstate
I1028 09:29:06.042008 32860 solver.cpp:330] Iteration 5000, Testing net (#0)
I1028 09:32:13.374222 32860 solver.cpp:397] Test net output #0: accuracy = 0.877
I1028 09:32:13.374222 32860 solver.cpp:397] Test net output #1: loss = 0.861016 (* 1 = 0.861016 loss)
I1028 09:32:13.743319 32860 solver.cpp:218] Iteration 5000 (1.60823 iter/s, 621.8s/1000 iters), loss = 0.000519958
I1028 09:32:13.743319 32860 solver.cpp:237] Train net output #0: loss = 0.000306881 (* 1 = 0.000306881 loss)
I1028 09:32:13.745313 32860 sgd_solver.cpp:105] Iteration 5000, lr = 0.000708472