#coding=utf-8 import os import caffe import numpy as np root='/home/xxx/caffe/' #根目录 deploy=root + 'examples/deploy.prototxt' #deploy文件 caffe_model=root + 'models/XXX.caffemodel' #训练好的 caffemodel import os dir = root+'examples/XXX/test/' filelist=[] filenames = os.listdir(dir) for fn in filenames: fullfilename = os.path.join(dir,fn) filelist.append(fullfilename) # img=root+'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.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)