Caffe SSD的resize过程解析

问题描述
在windows平台上，本地训练SSD_512得到了对应的权值参数文件，加载模型进行前向测试的时候，发现调用caffe.io.Transformer中的resize处理函数速度太慢，打算用opencv的resize做替换，因此更改了输入图片到模型中的预处理过程，使用caffe.io.Transformer进行预处理的过程如下：

import numpy as np 
import sys,os 
# 设置当前的工作环境在caffe下 
caffe_root = '/home/xxx/caffe/' 
# 我们也把caffe/python也添加到当前环境 
sys.path.insert(0, caffe_root + 'python') 
import caffe 
os.chdir(caffe_root)#更换工作目录

# 设置网络结构 
net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt' 
# 添加训练之后的参数 
caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel' 
# 均值文件 
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'

# 这里对任何一个程序都是通用的，就是处理图片 
# 把上面添加的两个变量都作为参数构造一个Net 
net = caffe.Net(net_file,caffe_model,caffe.TEST) 
# 得到data的形状，这里的图片是默认matplotlib底层加载的 
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) 
# matplotlib加载的image是像素[0-1],图片的数据格式[weight,high,channels]，RGB 
# caffe加载的图片需要的是[0-255]像素，数据格式[channels,weight,high],BGR，那么就需要转换

# channel 放到前面 
transformer.set_transpose('data', (2,0,1)) 
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1)) 
# 图片像素放大到[0-255] 
transformer.set_raw_scale('data', 255) 
# RGB-->BGR 转换 
transformer.set_channel_swap('data', (2,1,0))

# 这里才是加载图片 
im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg') 
# 用上面的transformer.preprocess来处理刚刚加载图片 
net.blobs['data'].data[...] = transformer.preprocess('data',im) 
#注意,网络开始向前传播啦 
out = net.forward() 
# 最终的结果: 当前这个图片的属于哪个物体的概率(列表表示) 
output_prob = output['prob'][0] 
# 找出最大的那个概率 
print 'predicted class is:', output_prob.argmax() 

　　

用opencv2中的resize函数替换之后，检测的结果很差，最终通过比较两种resize方式对同一张图片处理后结果的差异，发现两种方式存在不同，虽然说差异很小，但是也会严重影响检测结果，原因可能如下：

模型不够鲁棒
caffe中的resize和opencv中的resize的默认插值方式可能不同，这点需要看源码进行确认
在ubuntu上不存在这个问题，猜想可能是在windows下的caffe不是官方提供的，可能处理方式存在差异
最终，全部采用caffe.io.Transformer的方式进行图片的预处理，检测结果恢复正常。

此外，测试了opencv2和opencv3，发现用opencv2处理图片，检测的效果更好，原因未知！
---------------------
作者：tsq292978891
来源：CSDN
原文：https://blog.csdn.net/tsq292978891/article/details/78918413
版权声明：本文为博主原创文章，转载请附上博文链接！