caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-下篇--caffe学习(7)
接上篇caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-上篇
得到deploy.prototxt文件之后,我们可以自己编写python代码实现对单个图片的分类预测,先贴代码再分析:
#coding=utf-8import caffe
import numpy as np
root=root='/home/dltest/caffe/' #根目录
deploy=root + 'examples/cifar10/cifar10_quick.prototxt' #deploy文件
caffe_model=root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5' #训练好的 caffemodel
mean_file= #自己的python格式的meanfile路径
img=root+'examples/sgg_datas/images/1.jpg' #随机找的一张待测图片
labels_filename = root +'data/cifar10/batches.meta.txt' #类别名称文件,将数字标签转换回类别名称net = caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network#图片预处理设置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #设定图片的shape格式(1,3,28,28)
transformer.set_transpose('data', (2,0,1)) #改变维度的顺序,由原始图片(28,28,3)变为(3,28,28)
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1)) #减去均值
transformer.set_raw_scale('data', 255) # 缩放到【0,255】之间
transformer.set_channel_swap('data', (2,1,0)) #交换通道,将图片由RGB变为BGRim=caffe.io.load_image(img) #加载图片
net.blobs['data'].data[...] = transformer.preprocess('data',im) #执行上面设置的图片预处理操作,并将图片载入到blob中#执行测试
out = net.forward()labels = np.loadtxt(labels_filename, str, delimiter='\t') #读取类别名称文件
prob= net.blobs['prob'].data[0].flatten() #取出最后一层(prob)属于某个类别的概率值,并打印
print prob
order=prob.argsort()[-1] #将概率值排序,取出最大值所在的序号
#argsort()函数是从小到大排列
print 'the class is:',labels[order] #将该序号转换成对应的类别名称,并打印
对于图片的预处理,可参考caffe官网的例子,
关键代码如下:
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
# load input and configure preprocessing
im = caffe.io.load_image('images/cat.jpg')
transformer = caffe.io.Transformer({'data': net_full_conv.blobs['data'].data.shape})
transformer.set_mean('data', np.load('../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)
# make classification map by forward and print prediction indices at each location
out = net_full_conv.forward_all(data=np.asarray([transformer.preprocess('data', im)]))
print out['prob'][0].argmax(axis=0)
# show net input and confidence map (probability of the top prediction at each location)
plt.subplot(1, 2, 1)
plt.imshow(transformer.deprocess('data', net_full_conv.blobs['data'].data[0]))
plt.subplot(1, 2, 2)
plt.imshow(out['prob'][0,281])
caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-下篇--caffe学习(7)相关推荐
- 用自己训练好的caffemodel来对自己的图片做分类
首先是deploy.prototxt文件的生成,deploy.prototxt和train_val.prototxt文件类似,只是头尾有些区别而已.没有了第一层的数据层,也没有最后的accuracy层 ...
- 浅谈caffe中train_val.prototxt和deploy.prototxt文件的区别
浅谈caffe中train_val.prototxt和deploy.prototxt文件的区别 标签: caffe深度学习CaffeNet 2016-11-02 16:10 1203人阅读 评论(1) ...
- caffe的python接口学习(6):用训练好的模型(caffemodel)来分类新的图片
经过前面两篇博文的学习,我们已经训练好了一个caffemodel模型,并生成了一个deploy.prototxt文件,现在我们就利用这两个文件来对一个新的图片进行分类预测. 我们从mnist数据集的t ...
- Caffe学习系列(20):用训练好的caffemodel来进行分类
caffe程序自带有一张小猫图片,存放路径为caffe根目录下的 examples/images/cat.jpg, 如果我们想用一个训练好的caffemodel来对这张图片进行分类,那该怎么办呢? 如 ...
- caffe python 图片训练识别 实例
本文主要是使用caffe python做图片识别的示例包括训练数据lmdb生成,训练,以及模型测试,主要内容如下: 训练,验证数据lmdb生成,主要包括:样本的预处理 (直方图均衡化,resize), ...
- 基于caffe用SSD训练自己的数据
题记:因需要用到caffe的检测模型,之前在mxnet上用ssd训练过,故还用ssd来训练.从环境到训练,踩了不少坑,记录一下,方便以后翻阅.环境问题,因之前配过,用的docker,并未记录.当初也是 ...
- windows下使用训练好的caffemodel做分类(2016-11-01)(车型分类)
转自:http://blog.csdn.net/shakevincent/article/details/52995253 版权声明:本文为博主原创文章,未经博主允许不得转载. 随着深度学习的发展,越 ...
- caffe读书笔记1 CIFAR-10在caffe上进行训练与学习
原文地址:caffe读书笔记1 CIFAR-10在caffe上进行训练与学习-薛开宇作者:残夕云翳 本次学习笔记作用,知道如何在caffe上训练与学习,如何看结果. 1.1使用数据库:CIFAR-10 ...
- (caffe入门)windows caffe 之 mnist 训练
文章目录 1. mnist 数据集下载 2. mnist 数据集转换 3. 修改网络结构文件 lenet_train_test.prototxt 和 网络求解文件 lenet_solver.proto ...
最新文章
- Checkstyle 简介 以及各版本下载地址
- 2019牛客暑期多校训练营(第六场)
- android8 通知呼吸灯_android学习笔记----解决兼容8.0以上和8.0之前版本通知栏显示、振动、LED呼吸灯闪烁问题(真机验证)...
- eclipse中设置svn的commit快捷键
- highcharts.js两种数据绑定方式和异步加载数据的使用
- 国内访问 Atom 源很慢 解决方案
- 将Alfred与BetterZip整合,提高你的Mac工作效率
- SCDN的抗CC攻击和抗DDoS攻击防护是什么?
- 小米笔记本重装系统BOOT启动菜单识别不了硬盘无法启动进入系统
- 穿衣助手 张凯:电商产品经理的成长之路
- python爬虫设计背景_Python网络爬虫(增量式爬虫)
- C语言—各种数据类型间的混合运算
- 河南省软件测试竞赛证书,河南省大学生国家安全知识竞赛
- Warning: mysqli_fetch_assoc() expects exactly 1 parameter, 2 given in求解决
- kdj值应用口诀_KDJ指标神奇的操作方法详解
- 非你莫属 周倩如 女程序员 神一样的选手!
- HTML保存变暗了怎么办,浮漂用久了漂尾变暗怎么办?试试这样做,没准还有救...
- Redis-Cluster 搭建实践
- USACO Training Section 3.2 Feed Ratios
- GIF制作动图gif软件下载安装及使用