Caffe_03_用训练好的模型测试

最新推荐文章于 2021-06-16 14:07:34 发布
最新推荐文章于 2021-06-16 14:07:34 发布
阅读量961 收藏
点赞数
分类专栏： 深度学习-Caffe 文章标签： 深度学习 caffe
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/loyirui/article/details/53037921
版权
本文介绍了如何使用Caffe框架进行模型测试，以MNIST为例，讲解了lenet_iter_5000.caffemodel和lenet_iter_10000.caffemodel等模型参数文件的测试过程。此外，详细解析了Caffe命令行参数，如-solver、-gpu、-snapshot和-weights等，以及它们在训练和恢复模型中的作用。
摘要由CSDN通过智能技术生成

将mnist例子中训练生成的模型参数文件用于测试，其中lenet_iter_5000.caffemodel和lenet_iter_10000.caffemodel分别是迭代5000次和10000次的网络参数，lenet_iter_5000.solverstate和lenet_iter_10000.solverstate分别对应5000次和10000次的训练参数。

新建lenet_train_lenet_windows.sh文件，内容如下：

#!/usr/bin/env sh
set -e

....../build/tools/Release/caffe test -model = "....../examples/mnist/lenet_train_test.prototxt" -weights = "....../examples/mnist/lenet/lenet_iter_10000.caffemodel" -iterations = 100

cmd > lenet_train_lenet_windows.sh

caffe程序的命令行执行格式：caffe [command] [args]

其中的有这样四种：
train [训练或finetune模型]
test [测试模型]
devic

最低0.47元/天 解锁文章
loyirui
关注
专栏目录
已训练好模型如何测试自己数据
06-28 195
介绍了利用训练好的模型，来预测自己的数据，主要包括模型加载、预处理与预测
利用caffe训练好的模型进行测试
小火车~
12-29 7487
在caffe训练的过程中，我们利用验证集来测试，可以大概了解模型的准确率。 本文讲解的是，对于caffe训练好的模型进行预测，得出准确率。 主要需要一下几个文件： 其中log文件夹保存的是测试结果         snapshot_iter_50000.caffemodel.h5： 为需要测试的caffe模型         test.sh： 为测试程序        trai
Ubuntu16.04下 用Caffe训练自己的网络和模型并测试
weixin_40710035的博客
06-11 4714
1.准备图片（训练太久就不放那么多图片了）在caffe根目录下data中新建文件夹6class（意思是6类），在6class文件夹下新建两个文件夹train和val。train用来存放训练的图片，在train文件夹下新建6个文件夹0-5 。图片有6类，杯子（文件夹0）、书包（文件夹1）、电脑（文件夹2）、猫（3）、狗（4）、鸭子（5），每类10种。网上下载下来的图片名字都很乱  所以三步大法：打开...
caffe初探4：对训练得到的模型进行测试
jiongnima的博客
09-27 1万+
续caffe初探1，2，3，在我们训练出自己的模型之后，就可以测试，或者说使用我们的模型来分类了，在我们使用网络模型对单张图片进行分类测试之前笔者还是列出测试所需物资清单： 兹测试所需物资清单如下： （1）类名文件，未准备。标定分类名称的txt文件。 （2）测试图片，未准备。准备若干张供网络模型分类的图片。 （3）后缀名称为.caffemodel的网络模型文件，已准备。笔者
用训练好的caffe模型来测试样本
leibaojiangjun1的博客
12-14 4272
如果要把训练好的模型拿来测试新的样本，那必须得要一个deploy.prototxt文件，这个文件实际上和test.prototxt文件差不多，只是头尾不相同而已。deploy文件没有第一层数据输入层，样本是被直接输入到net.blobs里面的，也没有最后的Accuracy层，但最后多了一个Softmax概率层。 import numpy as np import sys,os # 设置当
使用训练好的模型进行预测
02-28
使用训练好的模型进行预测，可以与我的模型训练和保存配套使用
CAFFE.zip_caffe_caffe 批量测试_fcn_fcn caffe python_fcn 批量
07-15
在IT行业中，尤其是在深度学习领域，Caffe是一个广泛使用的开源框架，它专为速度和效率而设计。...记得在执行代码前，确保你的环境已经正确配置了Caffe库，并且拥有训练好的FCN模型及待测试的图像数据集。
lenet_iter_10000.zip_caffe_caffe mnist_caffe 识别_lenet mnist_mnis
09-24
描述中提到的是一个在Windows环境下用Caffe训练得到的模型，该模型专为手写字体识别设计。这意味着它能够解析和理解手写的数字，并将其转换为机器可读的格式。MNIST数据集是一个广泛使用的图像数据库，包含60,000个...
caffe_ssd_人脸识别描述文件以及模型.zip
08-04
2. **预训练模型权重文件**（.caffemodel）：包含了模型在大量数据上训练得到的权重参数，可以直接用于预测或微调。 3. **描述文件**：可能是Markdown、PDF或者TXT格式，详细解释模型的工作原理、训练过程、性能指标...
caffe_goturn模型以及描述文件.zip
08-04
5. **数据集信息**：如果有的话，可能会包含关于使用哪个数据集训练模型的信息，或者示例输入和输出数据。 6. **配置文件**：如JSON或YAML文件，用于设置运行时参数。 使用GOTURN模型进行目标跟踪时，首先需要解析...
Tensorflow实现在训练好的模型上进行测试
01-20
Tensorflow可以使用训练好的模型对新的数据进行测试，有两种方法：第一种方法是调用模型和训练在同一个py文件中，中情况比较简单；第二种是训练过程和调用模型过程分别在两个py文件中。本文将讲解第二种方法。 模型的保存 tensorflow提供可保存训练模型的接口，使用起来也不是很难，直接上代码讲解： #网络结构 w1 = tf.Variable(tf.truncated_normal([in_units, h1_units], stddev=0.1)) b1 = tf.Variable(tf.zeros([h1_units])) y = tf.nn.softmax(tf.matmul(w
用自己的数据进行CaffeNet训练模型
02-02
win7环境下，用自己的数据进行CaffeNet训练模型，亲测可行！
caffe利用训练好的模型进行实际测试
Sundrops的专栏
01-11 1万+
前面的博客介绍了如何生成多label的训练数据，也介绍了测试时对图片处理需要注意的点，这篇博客就来介绍如何利用训练好的模型进行实际测试 官方版demo import numpy as np import os import sys import cv2 caffe_root = 'your caffe root' sys.path.insert(0, caffe_root + '/...
tensorflow如何使用训练好的模型做测试
热门推荐
Touch_Dream的博客
01-27 4万+
方法1 保存 1、定义变量 2、使用saver.save()方法保存 import tensorflow as tf import numpy as np W = tf.Variable([[1,1,1],[2,2,2]],dtype = tf.float32,name='w') b = tf.Variable([[0,1,2]],dtype = tf.float32
模型训练与测试
qq_41883764的博客
06-12 1743
model.train() model.eval() 一般在模型训练和评价的时候会加上这两句，主要是针对model 在训练时和评价时不同的 Batch Normalization 和 Dropout 方法模式。 eval()时，pytorch会自动把BN和DropOut固定住，不会取平均，而是用训练好的值。不然的话，一旦test的batch_size过小，很容易就会被BN层导致生成图片颜...
pytorch加载训练好的模型用来测试或者处理
群星闪耀的博客
06-16 1万+
保存、加载模型 pytorch保存模型的方式有两种： 第一种：将整个网络都都保存下来 第二种：仅保存和加载模型参数（推荐使用这样的方法） 保存和加载整个模型 torch.save(model_object, 'model.pkl') model = torch.load('model.pkl') 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict(), 'params.pkl') model_object.load_state_di..
caffe使用训练好的模型对自己的一张图片进行测试
gls_nuaa的博客
08-25 1024
  前面学习了如何训练模型，也学了如何用测试集测试模型。但是好像还不会拿一张自己的图片去模型中进行测试。这篇文章就主要聊聊如何使用训练好的模型对自己的一张图片进行测试!（前面提到了做的项目是藏文识别，本篇文章就以藏文MNIST数据集模型作为举例，请各位重点关注不同的地方）   基本步骤如下：    1.准备测试数据    2.准备deploy文件    3.准备标签文件    4.准备均值文件    5.准备分类器文件    6.使用命令进行测试 1.准备测试数据：   这里的数据可以是网上下载的可以是自己
caffe 目标检测 训练教材_caffe-ssd使用预训练模型做目标检测
最新发布
06-07
好的，针对你的问题，这里简单介绍一下如何使用caffe-ssd预训练模型进行目标检测。 caffe-ssd是基于caffe框架实现的单阶段目标检测算法，使用预训练模型可以加快模型训练的速度，同时也可以提高模型的检测精度。下面是使用预训练模型做目标检测的步骤： 1. 下载预训练模型 caffe-ssd官方提供了一些预训练模型，可以在这里下载：https://github.com/weiliu89/caffe/tree/ssd#models。选择适合自己数据集的模型进行下载。 2. 准备数据集 准备自己的数据集，包括训练集、验证集和测试集。数据集需要满足SSD数据格式要求，即每个样本需要有对应的标注文件，标注文件格式为：类别id、xmin、ymin、xmax、ymax（例如：0 0.1 0.2 0.3 0.4，表示类别为0，左上角坐标为(0.1, 0.2)，右下角坐标为(0.3, 0.4)）。 3. 修改配置文件 修改caffe-ssd的配置文件，将模型路径、数据路径、类别数等参数配置正确。其中，模型路径需要指定为下载的预训练模型路径。 4. 训练模型 使用修改后的配置文件训练模型。训练过程中可以调整学习率、迭代次数等参数，以达到更好的效果。 5. 测试模型 使用测试集对训练好的模型进行测试，并计算模型在测试集上的精度和召回率等指标。 以上就是使用caffe-ssd预训练模型做目标检测的基本步骤。需要注意的是，使用预训练模型虽然可以加速模型训练过程，但是如果数据集和预训练模型的差异较大，仍然需要进行微调。
评论 1
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
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