测试python代码

#!/usr/bin/env python
#coding=utf-8  
#加载必要的库  
import numpy as np  
import sys,os  
#设置当前目录  
caffe_root = '/home/cjj/caffe/'    
sys.path.insert(0, caffe_root + 'python')  
import caffe  
os.chdir(caffe_root)  
#net_file=caffe_root + 'examples/myimagenet/train_alexnet.prototxt'  
net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'      #必须用自带网络文件
caffe_model=caffe_root + 'examples/myimagenet/myimagenet_train_alexnet_iter_200.caffemodel'  
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'      #必须用自带均值文件
net = caffe.Net(net_file,caffe_model,caffe.TEST)  
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  
transformer.set_transpose('data', (2,0,1))  
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))  
im=caffe.io.load_image(caffe_root+'examples/images/510.jpg')  
net.blobs['data'].data[...] = transformer.preprocess('data',im)  
out = net.forward()  
imagenet_labels_filename = caffe_root + 'data/ilsvrc12/type.txt'  
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')  
top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-3:-1]       #prob最后一层网络  -1.-3设置显示出的种类数，-1表示倒序
for i in np.arange(top_k.size):  

 print top_k[i], labels[top_k[i]] 

#coding=utf-8 

       

import os

import caffe 

import numpy as np 

root = '/home/liuyun/caffe/'   #根目录 

deploy = root + 'examples/DR_grade/deploy.prototxt'    #deploy文件 

caffe_model = root + 'models/DR/model1/DRnet_iter_40000.caffemodel'  #训练好的 caffemodel 

 

 

import os

dir = root + 'examples/DR_grade/test_512/'

filelist = []

filenames = os.listdir( dir )

for fn in filenames:

    fullfilename = os.path.join( dir ,fn)

    filelist.append(fullfilename)

 

 

# img=root+'data/DRIVE/test/60337.jpg'   #随机找的一张待测图片 

 

def Test(img):

      

     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shape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，前面训练模型时没有减均值，这儿就不用 

     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变为BGR 

       

     im = caffe.io.load_image(img)                   #加载图片 

     net.blobs[ 'data' ].data[...] = transformer.preprocess( 'data' ,im)      #执行上面设置的图片预处理操作，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）属于某个类别的概率值，并打印,'prob'为最后一层的名称

     print prob 

     order = prob.argsort()[ 4 ]  #将概率值排序，取出最大值所在的序号 ,9指的是分为0-9十类 

     #argsort()函数是从小到大排列 

     print 'the class is:' ,labels[order]   #将该序号转换成对应的类别名称，并打印 

     f = file ( "/home/liuyun/caffe/examples/DR_grade/label.txt" , "a+" )

     f.writelines(img + ' ' + labels[order] + '\n' )

 

labels_filename = root + 'examples/DR_grade/DR.txt'    #类别名称文件，将数字标签转换回类别名称 

 

for i in range ( 0 , len (filelist)):

     img = filelist[i]

     Test(img)