Caffe2模型载入及调用预测数据

最新推荐文章于 2021-11-27 08:07:14 发布
最新推荐文章于 2021-11-27 08:07:14 发布
阅读量1.1k 收藏
点赞数 1
分类专栏： # Caffe2PyTorch # 图像处理 文章标签： Caffe2 模型载入 模型预测
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/Xin_101/article/details/90720539
版权

1 数据下载

1.0 模型数据下载

【网络环境允许】

python -m caffe2.python.models.download -i squeezenet

【网络环境不允许】

https://s3.amazonaws.com/download.caffe2.ai/models/squeezenet/predict_net.pb
https://s3.amazonaws.com/download.caffe2.ai/models/squeezenet/init_net.pb

1.2 图像数据下载

https://cdn.pixabay.com/photo/2015/02/10/21/28/flower-631765_1280.jpg
# 以下图片按照对应关键词搜索即可
cowboy-hat.jpg
cell-tower.jpg
Ducreux.jpg
pretzel.jpg
orangutan.jpg
aircraft-carrier.jpg
cat.jpg

1.3 标签数据获取

import json
json_data = "./datas/labels.json"
codes =  "https://gist.githubusercontent.com/aaronmarkham/cd3a6b6ac071eca6f7b4a6e40e6038aa/raw/9edb4038a37da6b5a44c3b5bc52e448ff09bfe5b/alexnet_codes"
def save_label(codes, json_data):
	'''获取标签信息,并保存到指定文件.
	参数:
		codes: 标签链接
		json_data: 保存标签文件的路径
	返回:
		None
	'''
    response = urllib.request.urlopen(codes)
    print("response: {}".format(response))
    response = response.read().decode('utf-8')
    response = eval(response)
    '''
    {
     0: 'tench, Tinca tinca',
     1: 'goldfish, Carassius auratus',
     2: 'great white shark, white shark, man-eater, man-eating shark, Carcharodon carcharias',
     3: 'tiger shark, Galeocerdo cuvieri',
     4: 'hammerhead, hammerhead shark',}
    '''
    # 保存文件
    with open(json_data, 'w', encoding='utf-8') as f:
        json.dump(response, f, ensure_ascii=False)

2 模型载入与调用

with open(INIT_NET, "rb") as f:
    init_net = f.read()
with open(PREDICT_NET, "rb") as f:
    predict_net = f.read()

p = workspace.Predictor(init_net, predict_net)

3 图像预测

3.1 图像处理

在这里插入图片描述

图3.0 图像剪裁原理 
def crop_center(img, cropx, cropy):
	'''图像剪裁:获取中心部分区域.
	参数:
		img:图像数据(经过处理)
		cropx: 剪裁的宽度
		cropy: 剪裁的高度
	返回:
		img[starty:starty+cropy, startx: startx+cropx]: 指定剪裁尺寸的图像数据
	'''
    y, x, c = img.shape
    startx = x//2-(cropx//2)
    starty = y//2-(cropy//2)
    return img[starty:starty+cropy, startx: startx+cropx]
def rescale(img, input_height, input_width):
	'''图像尺寸调节.
	参数:
		img: 图像数据(处理)
		input_height: 输入图像高度
		input_width: 输入图像宽度
	返回:
		img_scaled: 调整后图像数据
	'''
    aspect = img.shape[1]/float(img.shape[0])
    if(aspect>1):
        res = int(aspect*input_height)
        img_scaled = skimage.transform.resize(img, (input_width, res))
    if(aspect<1):
        res = int(input_width/aspect)
        img_scaled = skimage.transform.resize(img, (res, input_height))
    if(aspect==1):
        img_scaled = skimage.transform.resize(img, (input_widht, input_height))
    return img_scaled
# 图像预处理
img = skimage.img_as_float(skimage.io.imread(IMAGE_LOCATION)).astype(np.float32)
print("Original Image Shape: {}".format(img.shape))
img = rescale(img, INPUT_IMAGE_SIZE, INPUT_IMAGE_SIZE)
print("Image shape after rescaling: {}".format(img.shape))
plt.figure()
plt.imshow(img)
plt.title("缩放后的图片", fontproperties=font)
# plt.savefig("./images/scaled.png", format='png')
plt.show()

img = crop_center(img, INPUT_IMAGE_SIZE, INPUT_IMAGE_SIZE)
print("Image shape after cropping: {}".format(img.shape))
plt.figure()
plt.imshow(img)
plt.title("中心剪裁后的图片", fontproperties=font)
# plt.savefig("./images/crop_center.png", format="png")
plt.show()
# switch to CHW(HWC->CHW)
img = img.swapaxes(1, 2).swapaxes(0, 1)
print("CHW Image Shape: {}".format(img.shape))
plt.figure()
for i in range(3):
    plt.subplot(1, 3, i+1)
    plt.imshow(img[i])
    plt.axis("off")
    plt.title("RGB channel {}".format(i+1))
print(type(img))
# switch to BGR(RGB->BGR)
img = img[(2, 1, 0), :, :]
img = img * 225 - mean
img = img[np.newaxis, :, :, :].astype(np.float32)
print("NCHW image: {}".format(img.shape))

3.2 处理效果

在这里插入图片描述

图3.1 原始图像

在这里插入图片描述

图3.2 调整尺寸后图像

在这里插入图片描述

图3.3 切割图像

在这里插入图片描述

图3.4 RGB通道数据

3.3 预测结果

results = p.run({"data": img})
results = np.asarray(results)
print("results shape: {}".format(results.shape))
preds = np.squeeze(results)
curr_pred, curr_conf = max(enumerate(preds), key=operator.itemgetter(1))
print("Prediction: {}".format(curr_pred))
print("Confidence: {}".format(curr_conf))
# read label from file
with open(json_data, "r") as f:
    labels = f.readlines()
# extract string from list
labels = labels[0]
# swicth str to dict
labels = eval(labels)
# print("labels: {}".format(type(data[0])))
# print("labels: {}".format(data))
# print("eval label: {}".format(eval(data[0])))
class_LUT = []
for k,v in labels.items():
    v = v.split(",")[0]
#     print("label: {}".format(v))
    class_LUT.append(v)

for n in topN:
    print("Model predicts '{}' with {} confidence".format(class_LUT[int(n[0])], float("{0:.2f}".format(n[1]*100))))

results shape: (1, 1, 1000, 1, 1)
Prediction: 985
Confidence: 0.9754712581634521
Raw top 5 results [array([985.0, 0.9754712581634521], dtype=object), array([309.0, 0.016970906406641006], dtype=object), array([946.0, 0.005790581461042166], dtype=object), array([325.0, 0.0006192047731019557], dtype=object), array([944.0, 0.0003482984029687941], dtype=object)]
Top 5 classes in order: [985, 309, 946, 325, 944]
Model predicts 'daisy' with 97.55 confidence
Model predicts 'bee' with 1.7 confidence
Model predicts 'cardoon' with 0.58 confidence
Model predicts 'sulphur butterfly' with 0.06 confidence
Model predicts 'artichoke' with 0.03 confidence

3.4 批量预测

images = ["./images/cowboy-hat.jpg","./images/cell-tower.jpg", "./images/Ducreux.jpg",
         "./images/pretzel.jpg", "./images/orangutan.jpg", "./images/aircraft-carrier.jpg",
         "./images/cat.jpg"]
NCHW_batch = np.zeros((len(images), 3, 227, 227))
print("Batch Shape: {}".format(NCHW_batch.shape))
for i, curr_img in enumerate(images):
    img = skimage.img_as_float(skimage.io.imread(curr_img)).astype(np.float32)
    img = rescale(img, 227, 227)
    img = crop_center(img, 227, 227)
    img = img.swapaxes(1, 2).swapaxes(0, 1)
    img = img[(2, 1, 0), :, :]
    img = img * 225 - mean
    NCHW_batch[i] = img
print("NCHW image: {}".format(NCHW_batch.shape))
results = p.run([NCHW_batch.astype(np.float32)])
results = np.asarray(results)
preds = np.squeeze(results)

print("Squeezed Predictions Shape, with batch size {}:{}".format(len(images), preds.shape))
for i, pred in enumerate(preds):
    print("Results for: {}".format(images[i]))
    curr_pred, curr_conf = max(enumerate(pred), key=operator.itemgetter(1))
    print("\t Prediction: {}".format(curr_pred))
    print("\t Class Name: {}".format(class_LUT[int(curr_pred)]))
    print("\t Confidence: {}".format(curr_conf))

Batch Shape: (7, 3, 227, 227)
NCHW image: (7, 3, 227, 227)
Squeezed Predictions Shape, with batch size 7:(7, 1000)
Results for: ./images/cowboy-hat.jpg
	 Prediction: 515
	 Class Name: cowboy hat
	 Confidence: 0.8236430287361145
Results for: ./images/cell-tower.jpg
	 Prediction: 755
	 Class Name: radio telescope
	 Confidence: 0.8589521050453186
Results for: ./images/Ducreux.jpg
	 Prediction: 215
	 Class Name: Brittany spaniel
	 Confidence: 0.05261107534170151
Results for: ./images/pretzel.jpg
	 Prediction: 932
	 Class Name: pretzel
	 Confidence: 0.9999996423721313
Results for: ./images/orangutan.jpg
	 Prediction: 365
	 Class Name: orangutan
	 Confidence: 0.964085042476654
Results for: ./images/aircraft-carrier.jpg
	 Prediction: 403
	 Class Name: aircraft carrier
	 Confidence: 0.8615673184394836
Results for: ./images/cat.jpg
	 Prediction: 282
	 Class Name: tiger cat
	 Confidence: 0.44642215967178345

4 完整代码

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
from __future__ import unicode_literals

from caffe2.proto import caffe2_pb2
import numpy as np
import skimage.io
import skimage.transform
import matplotlib.pyplot as plt
import os
from caffe2.python import core, workspace, models
import urllib.request
import operator
from matplotlib.font_manager import FontProperties
font = FontProperties(fname='/usr/share/fonts/truetype/arphic/ukai.ttc')

CAFFE_MODELS = "./models"
IMAGE_LOCATION = "./images/flower.jpg"
MODEL = 'squeezenet', 'init_net.pb', 'predict_net.pb', 'ilsvrc_2012_mean.npy', 227
codes =  "https://gist.githubusercontent.com/aaronmarkham/cd3a6b6ac071eca6f7b4a6e40e6038aa/raw/9edb4038a37da6b5a44c3b5bc52e448ff09bfe5b/alexnet_codes"

CAFFE_MODELS = os.path.expanduser(CAFFE_MODELS)
MEAN_FILE = os.path.join(CAFFE_MODELS, MODEL[0], MODEL[3])
if not os.path.exists(MEAN_FILE):
    print("No mean file found!")
    mean = 128
else:
    print("Mean file found!")
    mean = np.load(MEAN_FILE).mean(1).mean(1)
    mean = mean[:, np.newaxis, np.newaxis]
print("mean was set to: {}".format(mean))

INPUT_IMAGE_SIZE = MODEL[4]

INIT_NET = os.path.join(CAFFE_MODELS, MODEL[0], MODEL[1])
PREDICT_NET = os.path.join(CAFFE_MODELS, MODEL[0], MODEL[2])
if not os.path.exists(INIT_NET):
    print("WARNING: " + INIT_NET + "not found!")
else:
    if not os.path.exists(PREDICT_NET):
        print("WARNING: " + PREDICT_NET + "not found!")
    else:
        print("All needed files found!")


def crop_center(img, cropx, cropy):
    y, x, c = img.shape
    startx = x//2-(cropx//2)
    starty = y//2-(cropy//2)
    return img[starty:starty+cropy, startx: startx+cropx]
def rescale(img, input_height, input_width):
    aspect = img.shape[1]/float(img.shape[0])
    if(aspect>1):
        res = int(aspect*input_height)
        img_scaled = skimage.transform.resize(img, (input_width, res))
    if(aspect<1):
        res = int(input_width/aspect)
        img_scaled = skimage.transform.resize(img, (res, input_height))
    if(aspect==1):
        img_scaled = skimage.transform.resize(img, (input_widht, input_height))
    return img_scaled
img = skimage.img_as_float(skimage.io.imread(IMAGE_LOCATION)).astype(np.float32)
print("Original Image Shape: {}".format(img.shape))
img = rescale(img, INPUT_IMAGE_SIZE, INPUT_IMAGE_SIZE)
print("Image shape after rescaling: {}".format(img.shape))
plt.figure()
plt.imshow(img)
plt.title("缩放后的图片", fontproperties=font)
plt.savefig("./images/scaled.png", format='png')
plt.show()

img = crop_center(img, INPUT_IMAGE_SIZE, INPUT_IMAGE_SIZE)
print("Image shape after cropping: {}".format(img.shape))
plt.figure()
plt.imshow(img)
plt.title("中心剪裁后的图片", fontproperties=font)
plt.savefig("./images/crop_center.png", format="png")
plt.show()

# switch to CHW(HWC->CHW)
img = img.swapaxes(1, 2).swapaxes(0, 1)
print("CHW Image Shape: {}".format(img.shape))

plt.figure()
for i in range(3):
    plt.subplot(1, 3, i+1)
    plt.imshow(img[i])
    plt.axis("off")
    plt.title("RGB 通道 {}".format(i+1), fontproperties=font)
plt.savefig("./images/channels.png", format="png")
print(type(img))
# switch to BGR(RGB->BGR)
img = img[(2, 1, 0), :, :]

img = img * 225 - mean

img = img[np.newaxis, :, :, :].astype(np.float32)
print("NCHW image: {}".format(img.shape))

with open(INIT_NET, "rb") as f:
    init_net = f.read()
with open(PREDICT_NET, "rb") as f:
    predict_net = f.read()

p = workspace.Predictor(init_net, predict_net)
results = p.run({"data": img})
results = np.asarray(results)
print("results shape: {}".format(results.shape))
preds = np.squeeze(results)
curr_pred, curr_conf = max(enumerate(preds), key=operator.itemgetter(1))
print("Prediction: {}".format(curr_pred))
print("Confidence: {}".format(curr_conf))

import json
results = np.delete(results, 1)
index = 0
highest = 0
arr = np.empty((0, 2), dtype=object)
arr[:, 0] = int(10)
arr[:, 1:] = float(10)
for i, r in enumerate(results):
    i = i + 1
    arr = np.append(arr, np.array([[i, r]]), axis=0)
    if(r>highest):
        highest = r
        index = i
N = 5
topN = sorted(arr, key=lambda x: x[1], reverse=True)[:N]
print("Raw top {} results {}".format(N, topN))
topN_inds = [int(x[0]) for x in topN]
print("Top {} classes in order: {}".format(N, topN_inds))

json_data = "./datas/labels.json"

def save_label(codes, json_data):
    response = urllib.request.urlopen(codes)
    print("response: {}".format(response))
    response = response.read().decode('utf-8')
    response = eval(response)

    '''
    {
     0: 'tench, Tinca tinca',
     1: 'goldfish, Carassius auratus',
     2: 'great white shark, white shark, man-eater, man-eating shark, Carcharodon carcharias',
     3: 'tiger shark, Galeocerdo cuvieri',
     4: 'hammerhead, hammerhead shark',}
    '''
    # print("response: {}".format(response))
    print("type of response: {}".format(type(response)))
    
    # save label in file
    with open(json_data, 'w', encoding='utf-8') as f:
        json.dump(response, f, ensure_ascii=False)
save_label(codes, json_data)
# read label from file
with open(json_data, "r") as f:
    labels = f.readlines()
# extract string from list
labels = labels[0]
# swicth str to dict
labels = eval(labels)
# print("labels: {}".format(type(data[0])))
# print("labels: {}".format(data))
# print("eval label: {}".format(eval(data[0])))
class_LUT = []
for k,v in labels.items():
    v = v.split(",")[0]
#     print("label: {}".format(v))
    class_LUT.append(v)

for n in topN:
    print("Model predicts '{}' with {} confidence".format(class_LUT[int(n[0])], float("{0:.2f}".format(n[1]*100))))

images = ["./images/cowboy-hat.jpg","./images/cell-tower.jpg", "./images/Ducreux.jpg",
         "./images/pretzel.jpg", "./images/orangutan.jpg", "./images/aircraft-carrier.jpg",
         "./images/cat.jpg"]
NCHW_batch = np.zeros((len(images), 3, 227, 227))
print("Batch Shape: {}".format(NCHW_batch.shape))
for i, curr_img in enumerate(images):
    img = skimage.img_as_float(skimage.io.imread(curr_img)).astype(np.float32)
    img = rescale(img, 227, 227)
    img = crop_center(img, 227, 227)
    img = img.swapaxes(1, 2).swapaxes(0, 1)
    img = img[(2, 1, 0), :, :]
    img = img * 225 - mean
    NCHW_batch[i] = img
print("NCHW image: {}".format(NCHW_batch.shape))
results = p.run([NCHW_batch.astype(np.float32)])
results = np.asarray(results)
preds = np.squeeze(results)

print("Squeezed Predictions Shape, with batch size {}:{}".format(len(images), preds.shape))
for i, pred in enumerate(preds):
    print("Results for: {}".format(images[i]))
    curr_pred, curr_conf = max(enumerate(pred), key=operator.itemgetter(1))
    print("\t Prediction: {}".format(curr_pred))
    print("\t Class Name: {}".format(class_LUT[int(curr_pred)]))
    print("\t Confidence: {}".format(curr_conf))

WARNING:root:This caffe2 python run does not have GPU support. Will run in CPU only mode.
No mean file found!
mean was set to: 128
All needed files found!
Original Image Shape: (751, 1280, 3)
/home/xdq/anaconda3/envs/4pytorch/lib/python3.7/site-packages/skimage/transform/_warps.py:105: UserWarning: The default mode, 'constant', will be changed to 'reflect' in skimage 0.15.
  warn("The default mode, 'constant', will be changed to 'reflect' in "
/home/xdq/anaconda3/envs/4pytorch/lib/python3.7/site-packages/skimage/transform/_warps.py:110: UserWarning: Anti-aliasing will be enabled by default in skimage 0.15 to avoid aliasing artifacts when down-sampling images.
  warn("Anti-aliasing will be enabled by default in skimage 0.15 to "
Image shape after rescaling: (227, 386, 3)
Image shape after cropping: (227, 227, 3)
CHW Image Shape: (3, 227, 227)
<class 'numpy.ndarray'>
NCHW image: (1, 3, 227, 227)
results shape: (1, 1, 1000, 1, 1)
Prediction: 985
Confidence: 0.9754712581634521
Raw top 5 results [array([985.0, 0.9754712581634521], dtype=object), array([309.0, 0.016970906406641006], dtype=object), array([946.0, 0.005790581461042166], dtype=object), array([325.0, 0.0006192047731019557], dtype=object), array([944.0, 0.0003482984029687941], dtype=object)]
Top 5 classes in order: [985, 309, 946, 325, 944]
response: <http.client.HTTPResponse object at 0x7f7748f98940>
type of response: <class 'dict'>
Model predicts 'daisy' with 97.55 confidence
Model predicts 'bee' with 1.7 confidence
Model predicts 'cardoon' with 0.58 confidence
Model predicts 'sulphur butterfly' with 0.06 confidence
Model predicts 'artichoke' with 0.03 confidence
Batch Shape: (7, 3, 227, 227)
NCHW image: (7, 3, 227, 227)
Squeezed Predictions Shape, with batch size 7:(7, 1000)
Results for: ./images/cowboy-hat.jpg
	 Prediction: 515
	 Class Name: cowboy hat
	 Confidence: 0.8236430287361145
Results for: ./images/cell-tower.jpg
	 Prediction: 755
	 Class Name: radio telescope
	 Confidence: 0.8589521050453186
Results for: ./images/Ducreux.jpg
	 Prediction: 215
	 Class Name: Brittany spaniel
	 Confidence: 0.05261107534170151
Results for: ./images/pretzel.jpg
	 Prediction: 932
	 Class Name: pretzel
	 Confidence: 0.9999996423721313
Results for: ./images/orangutan.jpg
	 Prediction: 365
	 Class Name: orangutan
	 Confidence: 0.964085042476654
Results for: ./images/aircraft-carrier.jpg
	 Prediction: 403
	 Class Name: aircraft carrier
	 Confidence: 0.8615673184394836
Results for: ./images/cat.jpg
	 Prediction: 282
	 Class Name: tiger cat
	 Confidence: 0.44642215967178345

5 总结

Caffe2模型载入及预测流程:

Created with Raphaël 2.2.0 开始 读取初始化文件 读取预测文件 初始化预测工作空间 读取图片并运行 输出softmax层结果 结束

【参考文献】
[1]https://github.com/caffe2/tutorials/blob/master/Loading_Pretrained_Models.ipynb

天然玩家
关注
专栏目录
caffe2官网教程学习（二）—— 加载预训练模型
inception_wzd的博客
05-02 1237
来源地址：https://caffe2.ai/docs/tutorial-loading-pre-trained-models.html1.下载模型模型库：https://github.com/caffe2/models#squeezenet为模型名称 python -m caffe2.python.models.download -i squeezenet或者用Git克隆git clone h...
caffe2 caffe_Caffe2-快速指南
cunzai1985的博客
09-24 693
caffe caffe2 Caffe2-快速指南 (Caffe2 - Quick Guide) Advertisements 广告 Previous Page 上一页 Next Page 下一页 Caffe2-简介 (Caffe2 - Introduction) Last couple of years, Deep Learning has become a b...
caffe2 教程入门（python版）
shrak_12的专栏
09-12 2871
学习思路 1、先看官方文档，学习如何使用python调用caffe2包，包括 Basics of Caffe2 - Workspaces, Operators, and NetsToy RegressionImage Pre-ProcessingLoading Pre-Trained ModelsMNIST - Create a CNN from Scratch caffe2官方教程以p
Caffe2教程实例，加载预训练模型
浪摆的专栏
01-07 2480
Caffe2教程实例，加载预训练模型 概述 本教程使用模型库中的预训练模型squeezenet 里分类我们自己的图片。我们需要提供要分类图片的路径或者URL信息作为输入。了解ImageNet对象代码可以帮助我们来验证我们的结果。对象代码只是训练过程中的整型数字标签来标识不同的分类，比如985标识daisy分类。注意，我们在这里使用squeezenet ，本教程也对运行预训练模型提供通用方法。 如果...
Facebook开源Caffe2深度学习框架：开发者可快速训练和迭代AI模型
人工智能
04-19 1万+
我们所在的世界每分每秒都在不断的产生海量的文字，图片和视频等信息，Facebook正着力于开发新的AI系统来管理这些信息，从而使人们更好的了解世界，同时在信息冗余的时代仍保持高效的沟通。在现有人工智能的模型训练和部署过程中，通常需要大型数据中心甚至超级计算机来参与计算。在移动设备上利用人工智能来完成实时的复杂数据处理仍然是一个难题。为了解决这样的难题，我们需要一个强大，灵活且便携的深度学习框架。
python调用caffe模型_python读取caffemodel文件
weixin_39968410的博客
12-17 939
caffemodel是二进制的protobuf文件，利用protobuf的python接口可以读取它，解析出需要的内容不少算法都是用预训练模型在自己数据上微调，即加载“caffemodel”作为网络初始参数取值，然后在此基础上更新。使用方式往往是：同时给定solver的prototxt文件，以及caffemodel权值文件，然后从solver创建网络，并从caffemodel读取网络权值的初值。能...
opencv 调用 caffe model
Crystal555555的博客
02-24 1659
为了将caffe训练好的model集成到C工程中，使用opencv调用caffe 模型的方法，使用如下方法： 如下代码为 opencv\sources\samples\dnn\caffe_googlenet.cpp文件，将caffe model 与deploy.prototxt，文件放目录下，代码中一定注意处为易出错的地方 #include <opencv2/dnn.hpp> #inc...
python神经网络模型调用后预测值不变_我的Keras使用总结（1）——Keras概述与常见问题整理,Python机器学习笔记：利用Keras进行分类预测,Python机器学习笔记：使用Keras进...
weixin_39932838的博客
12-05 1649
今天整理了自己所写的关于Keras的博客，有没发布的，有发布的，但是整体来说是有点乱的。上周有空，认真看了一周Keras的中文文档，稍有心得，整理于此。这里附上Keras官网地址：下面回顾一下自己以前写的有关Keras的博客：首先是上面两篇博客，这两篇写出来，其实是整理笔记，单纯的学习一下基础的回归和分类，使用Keras创建一个简单的回归问题的神经网络模型和多类分类的模型。使用了最经典的回归数据波...
caffemodel进行批量测试
Cche的博客
07-18 3174
1 批量对图片进行分类 　　在对单个图片进行分类就想知道如何批量对图片进行分类。自己搜索了一些资料，发现需要调用python，使用python文件实现目的。　 　　下面是批量对图片进行分类的代码(自己修改)： #coding=utf-8 #作用：可以用来批处理图片进行分类 import os import caffe import numpy as np root='C
深度学习_21天实战Caffe.pdf
chenxuanhanhao的专栏
08-14 2950
深度学习_21天实战Caffe.pdf 原 深度学习21天实战caffe学习笔记《1:深度学习的过往》 1. 深度学习DL： 1.1、有监督学习、无监督学习、过拟合、训练样本、泛化、训练集、验证集、测试集这些和深度学习有关的知识需要实现明白，这里有一个深度学习的资料你们可以去下载； http://download.csdn.net/detail/julialove102123...
Python-GraphPipe非常简单的通用机器学习模型部署框架TensorFlowPyTorchCaffe2MXNet
08-11
GraphPipe是一种协议和软件集合，旨在简化机器学习模型部署并将其与特定于框架的模型实现分离。
caffe模型简单调用
热门推荐
悟叭鸽
12-25 1万+
简单例子调用caffe模型。
学习Caffe（二）使用Caffe:Caffe加载模型+Caffe添加新层+Caffe finetune
goodluckcwl的专栏
07-17 2056
如何使用Caffe Caffe教程（http://robots.princeton.edu/courses/COS598/2015sp/slides/Caffe/caffe_tutorial.pdf） 预备知识 Google Protocol Buffer https://developers.google.com/protocol-buffers/docs/cpptutorial...
【Python】Caffe 模型转换 Caffe2 模型 (支持多输入 / 多输出)
Panonsense
03-22 2483
用于将 Caffe 模型转换为对应 Caffe2 模型的 Python 脚本 官方提供了一个基础版本，经修改和优化后，已支持多输入/多输出的网络
机器学习——caffe从数据准备到模型训练和预测全流程-9
lidashent的博客
11-27 1391
文章目录前言新的工具——无代码神经网络安装caffe 前言 不仅仅需要知道这个图片的内容是什么， 也需要让机器标注出图片的各部分内容，比如猫，狗，人，车等用框框标注出来，需要返回各个内容的坐标 在做人脸识别时就需要知道人脸的位置以及各个特征点的位置，这都是必要的 新的工具——无代码神经网络 你没看错，不需要写代码，只需要定义一些配置文件，真正做到了设计神经网络就能让他跑起来的地步 四个步骤： 转换数据(设置数据位置以及数据格式) 定义网络(编辑prototxt) 设计卷积层 定义求解器(编辑pr
caffe模型调用预测示例
山中有石为玉
05-30 887
如下给出调用已经训练好的caffe模型进行测试的示例代码： 包括：模型调用，时间统计，结果写入txt文件。 import os import caffe import numpy as np import time caffe.set_mode_cpu() root = '/home/xuqiong/makeall/caffe/' deploy = root + 'examples/xq...
python下导入caffe,如何在Python中导入caffe模块？
weixin_33389310的博客
12-21 520
I have build .dll of _caffe.cpp on Windows (Release, x64).I changed extension .dll to .pyd and trying to import it in python:import caffeFile "\caffe-master\python\caffe\__init__.py", line 1, in from ...
树莓派部署caffe模型
公独何人，心如止水。
11-12 1847
1，fatal error: pyconfig.h: No such file or directory
caffe目标检测模型训练全过程（二）python加载caffemodel分类
dyingstraw的博客
04-22 2147
继上篇 caffe目标检测模型训练全过程（一）脚本、数据准备与制作 之后，我们训练出来了其模型，如图所示： models2_iter_70000.caffemodel 就是需要调用的模型，70000表示模型训练了70000次后所保存的模型，其他也是一样的。 记下来，使用python加载模型，然后进行识别，首先对处理好的227*227大小的处理好的图片进行识别。 代码如下： net...
Caffe网络模型深度解析：数据层详解
"这篇文档详细介绍了Caffe网络模型中的数据层，主要内容包括数据层的作用、参数配置以及数据来源。" 在Caffe深度学习框架中，网络模型是由多个层（layer）组成的，每个层都有特定的功能，并通过Blobs进行数据传递。...
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

打赏作者

天然玩家

坚持才能做到极致

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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