caffemodel进行批量测试

原博客地址：https://www.2cto.com/kf/201707/659331.html

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

?

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

root= 'C:/Users/Administrator/Desktop/' #根目录 deploy=root+ '11/alexnet.prototxt'      #deploy文件的路径 caffe_model=root+ '11/HCL_1_800_HWDB_Train_3232_iter_480000.caffemodel'  #caffe_model的路径 mean_file=root+ '11/mean.npy'     #mean_file的路径--注意，在python中要将mean.binaryproto转换为mean.npy格式 labels_filename=root+ '11/synset_words.txt'  #sysset_words.txt的路径   #预读待分类的图片 import os dir=root+ 'Img/' filelist=[] filenames=os.listdir(dir)  #返回指定目录下的所有文件和目录名 for fn in filenames:      fullfilename=os.path.join(dir,fn) #os.path.join--拼接路径      filelist.append(fullfilename) #filelist里存储每个图片的路径         net=caffe.Net(deploy,caffe_model,caffe.TEST)  #加载model和network       #图片预处理设置 transformer=caffe.io.Transformer({ 'data' :net.blobs[ 'data' ].data.shape})  #设定图片的格式( 1 , 3 , 28 , 28 ) transformer.set_transpose( 'data' ,( 2 , 0 , 1 )) #改变维度的顺序，由原始图片( 28 , 28 , 3 )变为( 3 , 28 , 28 ) transformer.set_mean( 'data' ,np.load(mean_file).mean( 1 ).mean( 1 )) #减去均值 transformer.set_raw_scale( 'data' , 255 )  #缩放到[ 0 , 255 ]之间 transformer.set_channel_swap( 'data' ,( 2 , 1 , 0 ))  #交换通道，将图片由RGB变成BGR   #加载图片 for i in range( 0 ,len(filelist)):      img=filelist[i]   #获取当前图片的路径      print filenames[i]    #打印当前图片的名称            im=caffe.io.load_image(img) #加载图片      net.blobs[ 'data' ].data[...]=transformer.preprocess( 'data' ,im) #执行上面的预处理操作，并将图片载入到blob中       #执行测试      out=net.forward()            labels=np.loadtxt(labels_filename,str,delimiter= '/t' ) #读取类别名称文件      prob=net.blobs[ 'prob' ].data[ 0 ].flatten()   #取出最后一层(prob)属于某个类标的概率值， 'prob' 为最后一层的名称            #print prob      index1=prob.argsort()[- 1 ]  #获取最大概率值对应的index      index2=prob.argsort()[- 2 ]  #获取第二大概率值对应的index      index3=prob.argsort()[- 3 ]  #获取第三大概率值对应的index      index4=prob.argsort()[- 4 ]  #获取第四大概率值对应的index            print labels[index1], '--' ,prob[index1]   #输出label--prob      print labels[index2], '--' ,prob[index2]      print labels[index3], '--' ,prob[index3]      print labels[index4], '--' ,prob[index4]

　在这里需要注意是:

　　(1) "import caffe"的前提是需要编译了pycaffe，具体可以看我的caffe小问题汇总（持续更新）第5个问题

　　(2) 在这里均值文件mean.binaryproto需要转换为mean.npy文件，其python代码如下：

#!/usr/bin/env python--将mean.binaryproto文件转为python可以使用的mean.npy文件

import numpy as np

import sys,caffe

 

root= 'C:/Users/Administrator/Desktop/11/'  #设置根目录

mean_proto_path=root+ 'mean.binaryproto'    #mean.binaryproto路径

mean_npy_path=root+ 'mean.npy'              #mean.npy路径

 

blob=caffe.proto.caffe_pb2.BlobProto()     #创建protobuf blob

data=open(mean_proto_path, 'rb' ).read()     #读入mean.binaryproto文件内容

blob.ParseFromString(data)                 #解析文件内容到blob

 

array=np.array(caffe.io.blobproto_to_array(blob))  #将blob中的均值转换称numpy格式，array的shape(mean_number,channel,hight,width)

mean_npy=array[ 0 ]                          #一个array中可以有多组均值存在，故需要通过下标选择一组均值

np.save(mean_npy_path,mean_npy)            #保存

　如此，只要设定相关的路径，即可利用训练好的caffemodel对图片进行批量分类。