【PyImageSearch】Ubuntu16.04使用OpenCV3.3.0实现图像分类-CSDN博客

　　这篇博文将会展示如何采用一个预训练的深度学习网络（模型）在ImageNet的数据集并把它当作输入图像。

　　首先说明，运行环境为Ubuntu16.04（或者MacOS），windows暂不支持，已经编译好的OpenCV3.3.0，如何查看以及是否编译OpenCV3.3.0成功，请看博文：http://www.cnblogs.com/wmr95/p/7638985.html
　　OpenCV并不是（也不打算）作为一个工具来训练网络，这里已经有更伟大的框架来完成这件事情。新版OpenCV兼容以下热门网络架构：　

     GoogleLeNet (used in this blog post)
   AlexNet
   SqueezeNet
   VGGNet (and associated flavors)
     ResNet

　　用OpenCV和深度学习给图像分类
　　接下来，我们将创建一个Python脚本，该脚本可用于使用Caffe框架使用OpenCV和GoogLeNet（在ImageNet上进行预培训）对输入图像进行分类。
　　同时，让我们学习如何加载预先训练好的Caffe模型，并使用它来使用OpenCV对图像进行分类。
　　首先，打开一个新文件，将其命名为deep_learning_with_opencv.py ，插入如下代码，来导入我们需要的包：
　　

　　然后我们解析命令行参数：
　　

    --image : The path to the input image.
    　　--prototxt : The path to the Caffe “deploy” prototxt file.
    　　--model : The pre-trained Caffe model (i.e,. the network weights themselves).
    　　--labels : The path to ImageNet labels (i.e., “syn-sets”).

        然后加载输入图像和标签：
　　

　　接下来，让我们看下OpenCV3.3的dnn模块：
　　

　　然后，我们从磁盘加载预训练好的模型：
　　

　　我们用cv2.dnn.readNetFromCaffe来加载Caffe模型定义prototxt，以及预训练模型。
　　接下来，我们以blob为输入，在神经网络中完成一次正向传播：
　　

　　最后，我们来为输入图像取出5个排名最高的预测结果：
　　

　　我们来选取排名前5的结果，然后将他们显示出来：
　　

　　以上是关于OpenCV3.3的dnn模型的介绍，下面在本地上完成模型的输出：
　　1.首先下载源代码以及预训练的GoogleNet架构以及示例图片，链接我在下面的原文链接中给出，直接找到”Downloads“输入邮箱获取；
　　2.打开ternimal，cd到你下载的路径下，输入下面的命令：
　　$ python deep_learning_with_opencv.py --image images/jemma.png
　　　　--prototxt bvlc_googlenet.prototxt \
　　　　--model bvlc_googlenet.caffemodel --labels synset_words.txt
　　运行成功的话会在ternimal下显示：　　
　　[INFO] loading model...
　　[INFO] classification took 0.075035 seconds
　　[INFO] 1. label: beagle, probability: 0.81137
　　[INFO] 2. label: Labrador retriever, probability: 0.031416
　　[INFO] 3. label: bluetick, probability: 0.023929
　　[INFO] 4. label: EntleBucher, probability: 0.017507
　　[INFO] 5. label: Greater Swiss Mountain dog, probability: 0.01444
　　