C++实现动物分类识别（caffe）

最新推荐文章于 2023-01-22 16:26:29 发布

m0_38116269

最新推荐文章于 2023-01-22 16:26:29 发布

阅读量1.4k

点赞数 1

分类专栏：个人学习文章标签： caffe c++

本文链接：https://blog.csdn.net/m0_38116269/article/details/88579622

版权

本文介绍了如何使用C++和Caffe库进行动物分类识别。重点在于CMakeLists.txt的编写，作者在过程中遇到并解决了包括依赖库路径配置在内的各种问题。文章还提到了后续计划，如批量图片检测和视频帧处理。

摘要由CSDN通过智能技术生成

前言：
C++代码部分借鉴的caffe中自带的classification.cpp稍微改动了一下，这一部分没有花费我太多时间。让我头疼的是CMakeLists.txt文件的编写，从昨天晚上一直搞到现在，终于现在是知道怎么才能正确的写了。期间犯了挺多错误，有的caffe目录还有libboost以及opencv的include目录你不放进去就会出现不识别的报错。没办法，对cmake不够了解，继续加油吧。

一、classify.cpp的编写

#include <caffe/caffe.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <algorithm>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>

using namespace caffe;  // NOLINT(build/namespaces)
using std::string;
using namespace cv;
using namespace std;
/* Pair (label, confidence) representing a prediction. */
typedef std::pair<string, float> Prediction;

class Classifier {
   
 public:
  Classifier(const string& model_file,
             const string& trained_file,
             const string& mean_file,
             const string& label_file);

  std::vector<Prediction> Classify(const cv::Mat& img, int N = 5);

 private:
  void SetMean(const string& mean_file);

  std::vector<float> Predict(const cv::Mat& img);

  void WrapInputLayer(std::vector<cv::Mat>* input_channels);

  void Preprocess(const cv::Mat& img,
                  std::vector<cv::Mat>* input_channels);

 private:
  shared_ptr<Net<float> > net_;
  cv::Size input_geometry_;
  int num_channels_;
  cv::Mat mean_;
  std::vector<string> labels_;
};

Classifier::Classifier(const string& model_file,
                       const string& trained_file,
                       const string& mean_file,
                       const string& label_file) {
   
#ifdef CPU_ONLY
  Caffe::set_mode(Caffe::CPU);
#else
  Caffe::set_mode(Caffe::GPU);
#endif

  /* Load the network. */
  net_.reset(new Net<float>(model_file, TEST));
  net_->CopyTrainedLayersFrom(trained_file);

  CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";
  CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";

  Blob<float>* input_layer = net_->input_blobs()[0];
  num_channels_ = input_layer->channels();
  CHECK(num_channels_ == 3 || num_channels_ == 1)
    << "Input layer should have 1 or 3 channels.";
  input_geometry_ = cv::Size(input_layer->width(), input_layer->