caffe上图片分类的实践

  本文紧接着上一篇  ：http://blog.csdn.net/leo_is_ant/article/details/49183275 （训练实践）进行图片分类。

  话说上回，我们已经训练出了数据的模型 caffe_model。下面我们用一个caffe提供的Python接口进行一次图片的分类练习。

首先推荐一篇文章 链接在此：http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb

文章中运用了imagenet的网络进行一次训练。本文有一些相似，在实验室的Linux系统上实践可行。

  首先 import 相关的package 和选定数据model的路径：

import numpy as np
caffe_root='/home/zyf/caffe-master/'

import sys
sys.path.insert(0,caffe_root+'python')
import caffe
import os

MODEL_FILE = '/home/zyf/caffe-master/examples/mydata/mynet/deploy.prototxt'
PRETRAINED = '/home/zyf/caffe-master/examples/mydata/result/caffenet_train_iter_1000.caffemodel'
IMAGE_ROOT = '/home/zyf/caffe-master/examples/mydata/val/'

紧接着定义我们的网络：

net=caffe.Net(MODEL_FILE,PRETRAINED,caffe.TEST)

看一下caffe python目录下的classifier，里面有一个mean文件。在官方文章中，他们给大家准备好了 ilsvrc_2012_mean.npy 文件

但是我们怎么将自己的model转化成npy文件呢？ github 的 https://github.com/BVLC/caffe/issues/290 给出了一个解决方案。主要利用了python 接口的 io.py 工具。 在这里我们code这么处理：

blob = caffe.proto.caffe_pb2.BlobProto()
data = open( '/home/zyf/caffe-master/examples/mydata/mydata_mean.binaryproto' , 'rb' ).read()
blob.ParseFromString(data)
arr = np.array( caffe.io.blobproto_to_array(blob) )
mean_out = arr[0]

transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data',mean_out.mean(1).mean(1)) # mean pixel
transformer.set_raw_scale('data', 255)  # the reference model operates on images in [0,255] range instead of [0,1]
transformer.set_channel_swap('data', (2,1,0))  # the reference model has channels in BGR order instead of RGB

这里上面进行 mean.binaryproto 的转码，进行Imagenet网络的基本设置。

下面为了方便，我们从val.txt中的读取图片名字和label做成字典，以备看分类情况。

net.blobs['data'].reshape(50,3,227,227)

files=os.listdir(IMAGE_ROOT)

checkFile=open('/home/zyf/caffe-master/examples/mydata/val.txt')
checkDict={}

for i in checkFile.readlines():
    checkDict[i.split()[0]]=i.split()[1]

checkFile.close()

最后我们看net的分配情况，和分类的概率：

for i in files:
        net.blobs['data'].data[...] = transformer.preprocess('data', caffe.io.load_image(IMAGE_ROOT+i))
        out = net.forward()
        print 'picture name:'+i+' shoulud be '+ str(checkDict[i]),' :net predict label : '+str(out['prob'].argmax())
        print out['prob'][0]

查看一条结果：
picture name:1336611-00510.j2k.jpg shoulud be 4  :net predict label : 4
[ 0.05745921  0.24773939  0.08945911  0.16403614  0.4184134   0.02289278]

至此，我们就可以完成任务了~