訓(xùn)練好了model后,可以通過python調(diào)用caffe的模型,然后進(jìn)行模型測(cè)試的輸出。
本次測(cè)試主要依靠的模型是在caffe模型里面自帶訓(xùn)練好的結(jié)構(gòu)參數(shù):~/caffe/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel,以及結(jié)構(gòu)參數(shù)
:~/caffe/models/bvlc_reference_caffenet/deploy.prototxt相結(jié)合,用python接口進(jìn)行調(diào)用。
訓(xùn)練的源代碼以及相應(yīng)的注釋如下所示:
# -*- coding: UTF-8 -*-
import os
import caffe
import numpy as np
root='/home/zf/caffe/'#指定根目錄
deploy=root+'models/bvlc_reference_caffenet/deploy.prototxt'#結(jié)構(gòu)文件
caffe_model=root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
#已經(jīng)訓(xùn)練好的model
dir =root+'examples/images/'#保存測(cè)試圖片的集合
filelist=[]
filenames=os.listdir(dir)
for fn in filenames:
fullfilename = os.path.join(dir,fn)
filelist.append(fullfilename)
#filelist.append(fn)
def Test(img):
#加載模型
net = caffe.Net(deploy,caffe_model,caffe.TEST)
# 加載輸入和配置預(yù)處理
transformer = caffe.io.Transformer({'data':net.blobs['data'].data.shape})
transformer.set_mean('data', np.load('/home/zf/caffe/python/caffe/imagenet/ilsvrc_2012_mean.npy').mean(1).mean(1))
transformer.set_transpose('data', (2,0,1))
transformer.set_channel_swap('data', (2,1,0))
transformer.set_raw_scale('data', 255.0)
#注意可以調(diào)節(jié)預(yù)處理批次的大小
#由于是處理一張圖片,所以把原來的10張的批次改為1
net.blobs['data'].reshape(1,3,227,227)
#加載圖片到數(shù)據(jù)層
im = caffe.io.load_image(img)
net.blobs['data'].data[...] = transformer.preprocess('data', im)
#前向計(jì)算
out = net.forward()
# 其他可能的形式 : out = net.forward_all(data=np.asarray([transformer.preprocess('data', im)]))
#預(yù)測(cè)分類
print out['prob'].argmax()
#打印預(yù)測(cè)標(biāo)簽
labels = np.loadtxt("/home/zf/caffe/data/ilsvrc12/synset_words.txt", str, delimiter='\t')
top_k = net.blobs['prob'].data[0].flatten().argsort()[-1]
print 'the class is:',labels[top_k]
f=file("/home/zhengfeng/caffe/examples/zf/label.txt","a")
f.writelines(img+' '+labels[top_k]+'\n')
labels_filename=root +'data/ilsvrc12/synset_words.txt'
#循環(huán)遍歷文件夾root+'examples/images/'下的所有圖片
for i in range(0,len(filelist)):
img=filelist[i]
Test(img)
ps:主要有以下的文件需要說明
待測(cè)試的文件夾里面的圖片數(shù)據(jù)為:
最后的輸出結(jié)果如下:
以下是本人定義的label.txt文件寫入的預(yù)測(cè)的數(shù)據(jù):
如果在編譯的時(shí)候出現(xiàn)import caffe error的話,說明沒有導(dǎo)入caffe
Export PYTHONPATH=$PYTHONPATH:/home/zf/caffe/python,如果還是不行,可能是你的caffe的python接口未編譯,cd /home/zf/caffe,然后執(zhí)行make pycaffe,接著再測(cè)試。
以上這篇python接口調(diào)用已訓(xùn)練好的caffe模型測(cè)試分類方法就是小編分享給大家的全部?jī)?nèi)容了,希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索:z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系: 360901061
您的支持是博主寫作最大的動(dòng)力,如果您喜歡我的文章,感覺我的文章對(duì)您有幫助,請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點(diǎn)擊下面給點(diǎn)支持吧,站長(zhǎng)非常感激您!手機(jī)微信長(zhǎng)按不能支付解決辦法:請(qǐng)將微信支付二維碼保存到相冊(cè),切換到微信,然后點(diǎn)擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元

