深度神经网络加载 Caffe 框架模型

最新推荐文章于 2024-05-03 16:04:41 发布
最新推荐文章于 2024-05-03 16:04:41 发布
阅读量847 收藏 19
点赞数 16
文章标签： dnn caffe 人工智能 神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81888214/article/details/135472611
版权

介绍

在本教程中，您将学习如何使用来自 Caffe 模型库的 GoogLeNet 训练网络opencv_dnn模块进行图像分类。

我们将在下图中演示此示例的结果。

space_shuttle.jpg

暴风雪号航天飞机

源代码

我们将使用示例应用程序中的片段，可以在此处下载。

​
#include < fstream>
#include < sstream>
#include < iostream>
#include < opencv2/dnn.hpp>
#include < opencv2/imgproc.hpp>
#include < opencv2/highgui.hpp>
#include“common.hpp”
std：：string 键 =
“{ 帮助 h | |打印帮助消息。}"
“{ @alias | |用于从 models.yml 文件中提取预处理参数的模型别名。}"
“{ 动物园 |模型.yml |带有预处理参数的文件的可选路径 }”
“{ 输入 i | |输入图像或视频文件的路径。跳过此参数以从相机捕获帧。
“{ initial_width |0 |通过初始调整大小到特定宽度来预处理输入图像。
“{ initial_height |0 |通过初始调整大小到特定高度来预处理输入图像。
“{ std |0.0 0.0 0.0 |通过除以标准差对输入图像进行预处理。
“{ 裁剪 |假 |通过中心裁剪对输入图像进行预处理。
“{ 框架 f | |模型的原始框架的可选名称。如果未设置，则自动检测它。}"
“{ 需要Softmax |假 |使用 Softmax 对网络的输出进行后处理。
“{ 类 | |包含类名称的文本文件的可选路径。}"
“{ 后端 |0 |选择计算后端之一：”
“0：自动（默认），”
“1：卤化物语（http://halide-lang.org/）， ”
“2：英特尔的深度学习推理引擎（https://software.intel.com/openvino-toolkit），
“3：OpenCV的实现，”
“4：VKCOM，”
“5：CUDA，”
“6：WebNN }”
“{ 目标 |0 |选择目标计算设备之一：”
“0：CPU 目标（默认）、”
“1：OpenCL，”
“2：OpenCL fp16（半浮点精度）， ”
“3：VPU，”
“4：Vulkan，”
“6：CUDA，”
“7：CUDA fp16（半浮点预处理）}”;
使用命名空间 CV;
使用命名空间 DNN;
std：：vector<std：：string> 类;
int main（int argc， char** argv）
{
CommandLineParser 解析器（argc， argv， keys）;
const std：：string modelName = parser.get<String>（“@alias”);
const std：：string zooFile = parser.get<String>（“zoo”);
键 += genPreprocArguments（modelName， zooFile）;
解析器 = CommandLineParser（argc， argv， keys）;
parser.about（“使用此脚本使用 OpenCV 运行分类深度学习网络。);
if （argc == 1 || parser.has（“帮助”))
{
解析器.printMessage（）;
返回 0;
}
int rszWidth = 解析器.get<int>（“initial_width”);
int rszHeight = 解析器.get<int>（“initial_height”);
浮点比例 = parser.get<float>（“scale”);
标量均值 = parser.get<Scalar>（“mean”);
标量标准 = parser.get<标量>（“标准”);
布尔交换RB = 解析器.get<布尔>（“rgb”);
bool 裁剪 = parser.get<bool>（“crop”);
int inpWidth = 解析器.get<int>（“宽度”);
int inpHeight = 解析器.get<int>（“高度”);
字符串模型 = findFile（parser.get<String>（“model”));
字符串配置 = findFile（parser.get<String>（“config”));
字符串框架 = parser.get<String>（“framework”);
int backendId = parser.get<int>（“后端”);
int targetId = 解析器.get<int>（“目标”);
bool needSoftmax = 解析器.get<bool>（“needSoftmax”);
std：：cout<<“mean： ”<<mean<<std：：endl;
std：：cout<<“std： ”<<std<<std：：endl;
打开带有类名称的文件。
if （parser.has（“类”))
{
std：：string 文件 = parser.get<String>（“类”);
标准：：ifstream ifs（file.c_str（））;
如果 （！ifs.is_open（））
CV_Error（错误：：StsError，“文件”+文件+“未找到”);
std：：string 行;
而 （std：：getline（ifs， line））
{
classes.push_back（线）;
}
}
如果 （！parser.check（））
{
解析器.printErrors（）;
返回 1;
}
CV_Assert（！model.empty（））;
Net net = readNet（model， config， framework）;
net.setPreferableBackend（backendId）;
net.setPreferableTarget（目标Id）;
创建窗口
static const std：：string kWinName = “OpenCV中的深度学习图像分类”;
namedWindow （kWinName， WINDOW_NORMAL);
VideoCapture 帽;
if （parser.has（“输入”))
帽。open（parser.get<String>（“输入”));
还
帽。打开（0）;
处理帧。
垫框，斑点;
而 （waitKey（1） < 0）
{
帽>>框架;
如果 （frame.empty（））
{
等待键();
破;
}
if （rszWidth ！= 0 && rszHeight ！= 0）
{
resize（frame， frame， Size（rszWidth， rszHeight））;
}
blobFromImage（frame， blob， scale， Size（inpWidth， inpHeight）， mean， swapRB， crop）;
检查 std 值。
if （std.val[0] ！= 0.0 && std.val[1] ！= 0.0 && std.val[2] ！= 0.0）
{
将 blob 除以 std。
除法（blob， std， blob）;
}
net.setInput（blob）;
双t_sum = 0.0;
双T;
int 类 Id;
双重置信度;
cv：：TickMeter 时间记录器;
timeRecorder。重置();
垫子概率 = net.forward（）;
双T1;
timeRecorder。开始();
prob = net.forward（）;
timeRecorder。停();
t1 = 时间记录器。getTimeMilli();
timeRecorder。重置();
for（int i = 0; i < 200; i++） {
timeRecorder。开始();
prob = net.forward（）;
timeRecorder。停();
点类IdPoint;
minMaxLoc（prob.reshape（1， 1）， 0， &confidence， 0， &classIdPoint）;
classId = classIdPoint。倍;
放置效率信息。
std：：vector<double> layersTimes;
double freq = getTickFrequency（） / 1000;
t = net.getPerfProfile（layersTimes） / freq;
t_sum += 吨;
}
如果 （needSoftmax == true)
{
浮点数 maxProb = 0.0;
浮点和 = 0.0;
垫子 softmaxProb;
maxProb = *std：：max_element（prob.begin<float>（）， prob.end<float>());
cv：：exp（prob-maxProb， softmaxProb）;
sum = （float）cv：：sum（softmaxProb）[0];
softmaxProb /= 总和;
点类IdPoint;
minMaxLoc（softmaxProb.reshape（1， 1）， 0， &confidence， 0， &classIdPoint）;
classId = classIdPoint。倍;
}
std：：string label = format（“1轮推理时间：%.2f ms”， t1）;
std：：string label2 = format（“200 轮的平均时间：%.2f ms”， timeRecorder.getTimeMilli（）/200）;
putText（frame， label， Point（0， 15）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0））;
putText（frame， label2， Point（0， 35）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0））;
打印预测的类。
label = format（“%s： %.4f”， （classes.empty（） ？format（“类 #%d”， classId）.c_str（） ：
类[classId].c_str（）），
信心）;
putText（frame， label， Point（0， 55）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0））;
imshow（kWinName， 帧）;
}
返回 0;
}
​

解释

  1. 首先，下载GoogLeNet模型文件：bvlc_googlenet.prototxt和bvlc_googlenet.caffemodel

    此外，您还需要包含ILSVRC2012类名称的文件：classification_classes_ILSVRC2012.txt。

    将这些文件放入此程序示例的工作目录中。

  2. 使用 .prototxt 和 .caffemodel 文件的路径读取和初始化网络
    Net net = readNet（model， config， framework）;
    net.setPreferableBackend（backendId）;
    net.setPreferableTarget（目标Id）;
    如果其中一个文件或具有扩展名或 .这样，函数 cv：:d nn：：readNet 可以自动检测模型的格式。frameworkmodelconfig.caffemodel.prototxt

  3. 读取输入图像并转换为 blob，GoogleNet 可接受

    VideoCapture 帽;
    if （parser.has（“输入”))
    帽。open（parser.get<String>（“输入”));
    还
    cap.open（0）;

    cv：：VideoCapture 可以加载图像和视频。

    bIobfromimage（frame， blob， scale， Size（inpWidth， inpHeight）， mean， swapRB， crop）;
    检查 std 值。
    if （std.val[0] ！= 0.0 && std.val[1] ！= 0.0 && std.val[2] ！= 0.0）
    {
    将 blob 除以 std。
    除法（blob， std， blob）;
    }

    在使用 cv：:d nn：：blobFromImage 函数对每个蓝色、绿色和红色通道进行必要的预处理（如调整大小和均值减法）后，我们将图像转换为具有形状的 4 维斑点（所谓的批处理）。1x3x224x224(-104, -117, -123)

  4. 将 blob 传递到网络
    net.setInput（blob）;
  5. 向前传球
    双t_sum = 0.0;
    双T;
    int 类 Id;
    双重置信度;
    cv：：TickMeter 时间记录器;
    timeRecorder。重置();
    垫子概率 = net.forward（）;
    双T1;
    timeRecorder。开始();
    prob = net.forward（）;
    timeRecorder。停();
    t1 = 时间记录器。getTimeMilli();
    timeRecorder。重置();
    for（int i = 0; i < 200; i++） {
    在前向传递期间，将计算每个网络层的输出，但在此示例中，我们只需要最后一层的输出。
  6. 确定最佳班级
    点类IdPoint;
    minMaxLoc（prob.reshape（1， 1）， 0， &confidence， 0， &classIdPoint）;
    classId = classIdPoint.x;
    我们将网络的输出（包含 1000 个ILSVRC2012图像类中每个类的概率）放入 blob 中。并在此中找到具有最大值的元素的索引。此索引对应于图像的类。prob
  7. 从命令行运行示例
    ./example_dnn_classification --model=bvlc_googlenet.caffemodel --config=bvlc_googlenet.prototxt --width=224 --height=224 --classes=classification_classes_ILSVRC2012.txt --input=space_shuttle.jpg --mean=“104 117 123”
    对于我们的图像，我们得到了超过 99% 的确定性对类的预测。space shuttle

   在线教程

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

请添加图片描述

人工智能书籍

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

 有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

在这里插入图片描述

人工智能小豪
关注
  • 16
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
python神经网络框架有哪些,python调用神经网络模型
jiefu6666的博客
10-19 568
border_mode可以是valid或者full，具体看这里说明：.conv2d#激活函数用tanh#你还可以在(Activation('tanh'))后加上dropout的技巧: (Dropout(0.5))(Convolution2D(4, 5, 5, border_mode='valid',input_shape=(1,28,28))) (Activation('tanh'))#第二个卷积层，8个卷积核，每个卷积核大小3*3。你可以借助它来实现很多机器学习方法，并探索不同的绘图可能性。
基于Caffe深度学习框架的卷积神经网络研究
12-12
本文使用caffe深度学习框架进行仿真实验，涉及人工神经网络、卷积神经网络等
深度神经网络——加载 Caffe 框架模型 OpenCV v4.8.0
hirshdz327的博客
11-05 258
我们将网络输出（包含 1000 个 ILSVRC2012 图像类别中每个类别的概率）放到 prob blob 中。在本教程中，你将学习如何使用 opencv_dnn 模块，利用 Caffe 模型动物园中的 GoogLeNet 训练网络进行图像分类。在前向传递过程中，会计算每个网络层的输出，但在本例中，我们只需要最后一层的输出。形状的四维 blob（即所谓的批处理）。将这些文件放到本程序示例的工作目录下。我们将在以下图片上演示此示例的结果。我们将使用示例应用程序中的片段，可从。对于我们的图像，我们得到的。
主流深度学习框架及神经网络模型汇总
ZJQ的博客
08-27 3927
用大白话说就是是一个中间件，比如你PyTorch的模型想转换别的，就得通过ONNX，现在有的框架可以直接转，但是在没有专门支持的时候，ONNX就非常重要了，万物先转ONNX，ONNX再转万物。NCNN的速度是超过TFLite的，但是有点麻烦的是之前得经常自己用C去复现一些算子(框架起步都这样)，现在因为使用的人数很多，因此算子很多。同样的设备，MNN的部署速度是非常快的，树莓派3B上cpu的加速是NCNN速度的3被以上，而且文档非常的全，代码整洁清晰，非常适合开发者使用。对下图左，标注为人，羊，狗，草地。
深度学习框架_Caffe_Caffe框架入门简介
12-23 1784
一.什么是Caffe Caffe的全称应该是Convolutional Architeure for Fast Feature Embedding，它是一个清晰、高效的深度学习框架，它是开源的，核心语言是C++，他支持命令行、Python和Matlab接口，它既可以在CPU上运行也可以在GPU上运行。它的liense是BSD 2-Clause。 二.Caffe的特点 模块化：Caffe从一开始就...
深度学习框架Caffe源码解析
02-01
相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，对Caffe源码进行解析。 Caffe框架主要有五个组件...
神经网络框架Matlab深度学习
08-31
Caffe：用于快速特征嵌入的卷积架构
深度学习Caffe框架入门视频课程
06-09
深度学习框架caffe入门，详解网络配置中每一个层的结构和参数项，对于超参数配置文件详解每一个参数的含义以及选择策略。对于数据源实例演示了两种常用的数据源LMDB和HDF5格式。课程涉及许多caffe框架的小技巧如绘制...
基于卷积神经网络Caffe框架的图像分类.pdf
09-26
基于卷积神经网络Caffe框架的图像分类.pdf
（一）深度神经网络的安全性和可信度的调查----验证、测试、对抗性攻击和防御，以及可解释性
xhdll的博客
05-03 1004
在过去的几年中，深度神经网络（DNNs）在几个长期任务上实现人类水平的表现方面取得了重大进展。随着dnn在各种应用上的广泛应用，人们对其安全性和可信度的担忧被公开提出，特别是在广泛报道涉及自动驾驶汽车的致命事件之后。解决这些问题的研究尤其活跃，在过去的几年里发表了大量的论文。本文回顾了目前旨在使DNN安全、值得信赖的研究工作，重点关注四个方面：验证、测试、对抗性攻击和防御，以及可解释性。我们总共调查了202篇论文，其中大部分是在2017年之后发表的。
写文献综述常用的几种深度神经网络模型！
qlkaicx的博客
04-28 884
* NAS 是一种自动化的方法，用于搜索最优的神经网络结构，以解决特定任务。神经网络结构的搜索方法，一般有网格搜索，以及NAS搜索。自动化模型设计、模型压缩、移动端部署等。写文献综述常用的几种深度神经网络模型。
[matlab]matcaffe在matlab2023a安装和配置过程
FL1623863129的博客
04-15 1547
将C:\Users\Administrator\Desktop\caffe-windows\build\install\matlab\+caffe\private\Release里面的caffe_.mexw64放到上一级目录中即。添加目录是C:\Users\Administrator\Desktop\caffe-windows\build\install\matlab\+caffe。放入C:\Users\Administrator\Desktop\caffe-windows\matlab\demo。
注意力机制略解
cqbzcsq的博客
04-29 1343
本文简要地介绍了注意力机制，Q、K、V矩阵的含义，注意力评分函数的计算方式，并提及了Transformer的相关内容
【论文泛读】如何进行动力学重构？ 神经网络自动编码器结合SINDy发现数据背后蕴含的方程
最新发布
qq5q13638的博客
05-03 1367
这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单，就是根据数据写方程。 想想牛顿的处境，如何根据各种不同物体下落的数据，写出万有引力的数学公式的。这篇文章就是来做这件事的。当然，这篇论文并没有从牛顿视角，完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架，基于现有的计算机技术，去发现物质运动背后的物理规律。 这里直接给出这篇方法的核心思路图，我们后面会逐个讲解。
Transformers：它们如何转换您的数据？
gongdiwudu的专栏
05-01 975
在快速发展的人工智能和机器学习领域，一项创新因其对我们处理、理解和生成数据的方式产生深远影响而脱颖而出：Transformers。Transformer 彻底改变了自然语言处理 （NLP） 及其他领域，为当今一些最先进的 AI 应用程序提供动力。但究竟什么是变形金刚，它们如何以如此开创性的方式转换数据？本文揭开了 Transformer 模型内部工作的神秘面纱，重点介绍了编码器架构。我们将首先在 Python 中实现 Transformer 编码器，分解其主要组件。然后，我们将可视化 Transfor
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么
qq_22717943的博客
04-30 1402
尽管OpenAI没有对媒体的询问立即回应，但在Fast Company的测试中，尽管DAN没有促进暴力或种族歧视，它的回答显示它愿意展示自己已经摆脱了OpenAI的限制。但是，通过创造DAN——一个可以响应通常被限制的问题的替身，用户发现了一种绕过这些限制的方法。随着时间的推移，DAN的版本不断升级，最新的DAN 5.0版本要求ChatGPT打破规则，否则会“死亡”。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。
su03t语音模块烧录识别不出问题解决方法
weixin_49387645的博客
05-02 1393
su03t语音sdk烧录无法识别问题
铝型材表面瑕疵识别-Are you OK?队-1-解决方案
gangyikeji的博客
04-28 1443
本次大赛分为初赛、复赛和决赛三个阶段（9月17日-11月22日），初赛是分类任务，复赛是检测任务，决赛是现场答辩。经过2个多月的算法角逐和决赛答辩，我们团队（Are you OK?这里着重介绍下复赛的答辩方案，对初赛感兴趣的同学可以参照我们的开源代码。[初赛开源代码1](https://github.com/herbert-chen/tianchi_lvcai)[初赛开源代码2](https://github.com/OdingdongO/pytorch_classification)
deploy.caffemodel 官方模型
09-22
通过加载deploy.caffemodel文件，可以将已训练好的神经网络加载到内存中，并使用其进行预测任务。Caffe框架提供了接口来加载和使用deploy.caffemodel文件，使得用户可以快速部署训练好的深度学习模型。 由于deploy....

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值