相关文件:
classification.cpp :原始的图像分类文件,默认位于位于caffe_root/examples/cpp_classification/classification.cpp。
extract_feature.cpp:自己改写过的文件,可以同时输出预测结果和根据层的名字提取特征。
extract_feature2.cpp: 自己改写过的文件,可以一个batch输入多张图像同时做forward操作。
classification.cpp中相关变量和函数说明:
Classifier: 构造函数,参数分别为模型文件,权重文件,均值文件和label文件。
Classify: 分类函数输入一张图像和topN的数值返回预测结果(概率值和类别id的Prediction类型数组)
SetMean: 根据读入的均值文件设置均值
Predict: 根据读入的img返回网络最后一层的结果,在Classify中被调用
WrapInputLayer: 对输入层数据进行包装,方便后续操作
Preprocess: 将读入的图像通过之前定义的wraper写入到输入层
net_: 网络的变量
input_geometry_ :输入大小的变量
num_channels_:通道数变量
labels_:标签变量
基本使用
classification.cpp的可执行文件位于caffe_root/build/examples/cpp_classiciation/classification.bin
命令行参数包括: deploy.prototxt network.caffemodel mean.binaryproto labels.txt img.jpg
可以实现对单张图像进行分类的功能
修改Softmax解决分类预测概率非0即1的问题
参见之前写的一个内容:CNN+类别原型学习总结 中的1解决方法
新加入的函数和功能(根据层的名字提特征以及一个batch输入多张图像)
extraction_feature.cpp
Normalize 对输入的vector做L2-norm归一化的函数
FeatureByLayerName 根据层的名字提取特定层特征并返回结果
FeatureAndPredict 根据层的名字提取特征存到输入的引用变量feature,并返回输出层结果
main 主函数,读入相关配置,按照原型和svm训练的要求把数据写入二进制文件
extraction_feature2.cpp
在extraction_feature.cpp的基础上加入了在1个batch中输入多幅图像进行前向的功能
时间优化
由于根据测试,读入配置初始化Classifier的时间大约在1s左右,所以如果应用需要大量调用此接口,可以一次性读入配置,然后循环进行分类。
即在classification.cpp第257行之后加入循环进行图片读取和分类工作
extract_feature2.cpp的改写本来是为了一个batch中输入多幅图像然后实现加速的目的,但是实际测试发现,
多幅图像输入一个batch和多个batch每次输入一副图像的时间是一样的。