使用Caffe训练得到的caffemodel测试图片:
#Caffe 使用训练好的模型进行测试
import numpy as np
import caffe
import sys
import os
caffe_root = '/caffe/'
model_name = 'MobileNet.caffemodel'
sys.path.insert(0, caffe_root+'python')
caffe.set_mode_cpu()
deploy = caffe_root + 'examples/deploy.prototxt' #deploy文件
model = caffe_root + 'examples/'+model_name #训练好的模型
img = caffe_root + 'examples/test.jpg' # 测试图片
labels_filename = caffe_root + 'examples/labels.txt' # 类别名称,将数字标签换回类别名称
mean_file = caffe_root + 'examples/mean.npy' #均值文件
#加载模型和网络
net = caffe.Net(deploy, model, caffe.TEST)
#图片预处理设置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #设定图片的shape格式为(1,3,28,28)
transformer.set_transpose('data', (2, 0, 1)) #改变维度的顺序
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2, 1, 0)) #交换通道将图片由RGB变为BGR
im = caffe.io.load_image(img)
net.blobs['data'].data[...] = transformer.preprocess('data', im) #执行上述预处理
out = net.forward()
labels = np.loadtxt(labels_filename, str, delimiter='\t')
prob = net.blobs['prob'].data[0].flatten()
top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]
for i in np.arange(top_k.size):
print(top_k[i], labels[top_k[i]], prob[top_k[i]]) #打印前几类的标签和概率