Caffe学习：4. 使用训练好的caffemodel（python）

在尝试过 mnist 数据集进行测试后，想要对任意一张图片进行识别测试，所以将目光瞄准了GoogleNet。在Caffe安装好后就会有GoogleNet的example，在model种就可以找到。

—————————————————————————————————————————————————————

因为要使用Python，所以又重新编译了一遍Caffe，加了Python的兼容，重新编译了pycaffe，需要安装python2.7，配置好路径，pipi安装numpy，boost库，然后应该就可以编译通过了，之后python2.7调用的时候，会报一些错，只需要添加相应的包就可以了。

成功好测试一下。

—————————————————————————————————————————————————————

打开 readme.md，然后复制里面的链接，下载已经训练好的CaffeMdel。

有点慢，文末附加上传地址吧。

将下载好的caffemodel放入model里面，或者自己新建的工程目录中都可以。

接下来新建一个文本，是训练的模型里面的所有分类信息。

大致是这样子的，一共有1000类。到此，所有的准备材料都OK了。

现在开始准备Python的代码。

首先，导入包：

import caffe
import numpy as np
import matplotlib.pyplot as plt
import os
import PIL
from PIL import Image
import sys
import time

之后，配置一些默认的目录：

#定义Caffe根目录
caffe_root = 'F:/caffe/caffe/'
#网络结构描述文件
deploy_file = caffe_root+'models/bvlc_googlenet/deploy.prototxt'
#训练好的模型
model_file = caffe_root+'models/bvlc_googlenet/bvlc_googlenet.caffemodel'

设置CPU模式：

#cpu模式
caffe.set_mode_cpu()

新建一个网络结构：

#定义网络模型
net = caffe.Classifier(deploy_file, #调用deploy文件
                       model_file,  #调用模型文件
                       mean=np.load(caffe_root +'python/caffe/imagenet/ilsvrc_2012_mean.npy').mean(1).mean(1), #调用均值文件
                       channel_swap=(2,1,0),  #caffe中图片是BGR格式，而原始格式是RGB，所以要转化
                       raw_scale=255,         #python中将图片存储为[0, 1]，而caffe中将图片存储为[0, 255]，所以需要一个转换

其中mean那一条是在caffe编译好了之后就会有的。

加载写好的Labels：

#分类标签文件
imagenet_labels_filename = caffe_root +'models/bvlc_googlenet/synset_words.txt'
#载入分类标签文件
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')

最后开始预测：

#对目标路径中的图像，遍历并分类
for root,dirs,files in os.walk(caffe_root+'models/bvlc_googlenet/image/'):
    for file in files:
        #加载要分类的图片
        image_file = os.path.join(root,file)
        input_image = caffe.io.load_image(image_file)
        # print(type(input_image))
        #打印图片路径及名称
        image_path = os.path.join(root,file)
        print(image_path)
        
        #显示图片
        img=Image.open(image_path)
        plt.imshow(img)
        plt.axis('off')
        plt.show()
        
        #预测图片类别
        time_start = time.time()
        prediction = net.predict([input_image])
        time_end = time.time() - time_start
        print 'Use time',time_end 
        print 'predicted class:',prediction[0].argmax()

        # 输出概率最大的前5个预测结果
        top_k = prediction[0].argsort()[-5:][::-1]
        for node_id in top_k:     
            #获取分类名称
            human_string = labels[node_id]
            #获取该分类的置信度
            score = prediction[0][node_id]
            print('%s (score = %.5f)' % (human_string, score))

在工程目录下新建一个image文件夹，在该文件夹下放入想要预测的图片：

预测结果：

 可以看到用了2.5秒进行预测，但是效果还是比较好的。

代码来自覃老师的课堂。