caffe目标分类和SSD网络目标识别运行c++实例

最新推荐文章于 2021-02-17 02:02:30 发布

同学醒醒放学了

最新推荐文章于 2021-02-17 02:02:30 发布

阅读量2.5k

点赞数

文章标签：深度学习 caffe ssd c

本文链接：https://blog.csdn.net/weixin_41399111/article/details/81149431

版权

本文详细介绍了如何通过C++接口利用预训练的SSD模型进行目标识别。首先，概述了前期安装和编译Caffe的步骤，并推荐了相关教程解决编译问题。接着，重点讲解了如何运行SSD网络的C++示例代码，包括对预测框的处理和添加标签的建议。最后，给出了运行实例的命令行参数，并提示可能需要根据不同的模型配置进行调整。

摘要由CSDN通过智能技术生成

本文主要说明如何通过C++接口实现ssd多目标识别的演示。

1.前期准备工作

预先安装，编译caffe，具体可以参考https://blog.csdn.net/u012986684/article/details/72469542。此篇文章有详细的安装编译教程。

2.编译遇到问题

在编译过程中，总会出现这样或者那样的问题。推荐两篇教程帮助大家解决问题。https://blog.csdn.net/jjprincess/article/details/79613432，https://blog.csdn.net/m0_37407756/article/details/70789271。

3.实例运行

对于ssd网络模型，系统提供了c++接口以及python接口，大多数文章关于python的接口，本篇文章主要讲解c++如何进行model训练以及运行demo。

首先，打开/caffe/examples/ssd，在文件夹内有ssd_detect.cpp,ssd_detect.py，分别是c++以及python的运行实例。

打开ssd_detect.cpp，代码如下：

// This is a demo code for using a SSD model to do detection.
// The code is modified from examples/cpp_classification/classification.cpp.
// Usage:
//    ssd_detect [FLAGS] model_file weights_file list_file
//
// where model_file is the .prototxt file defining the network architecture, and
// weights_file is the .caffemodel file containing the network parameters, and
// list_file contains a list of image files with the format as follows:
//    folder/img1.JPEG
//    folder/img2.JPEG
// list_file can also contain a list of video files with the format as follows:
//    folder/video1.mp4
//    folder/video2.mp4
//
#include <caffe/caffe.hpp>
#ifdef USE_OPENCV
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#endif  // USE_OPENCV
#include <algorithm>
#include <iomanip>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>

#ifdef USE_OPENCV
using namespace caffe;  // NOLINT(build/namespaces)

class Detector {
 public:
  Detector(const string& model_file,
           const string& weights_file,
           const string& mean_file,
           const string& mean_value);

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

 private:
  void SetMean(const string& mean_file, const string& mean_value);

  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_;
};

Detector::Detector(const string& model_file,
                   const string& weights_file,
                   const string& mean_file,
                   const string& mean_value) {
#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(weights_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->