Ubuntu16.04 + caffe基于caffeNet训练图片并实现分类

最新推荐文章于 2020-09-22 18:00:48 发布
最新推荐文章于 2020-09-22 18:00:48 发布
阅读量321 收藏
点赞数 1
分类专栏： CNN

caffe实践原文基于caffe+win10，经学习后改写成ubuntu16.04环境下的流程，供大家参考。
在caffe目录examples下新建my_classify文件夹，其余文件均在该目录下。
1.制作数据集
使用Corel数据集（下载地址）中的400图片，4类每类选取100张，其中90张作为训练集，10张作为测试集。所以训练集train中有360张图片，测试集test中有40张图片,分别存放在4个train与1个test文件夹中。
2、生成带标签的列表list.txt
  在train文件夹中生成list.txt列表，切记标签要从0开始。使用python脚本分别对每个类别图像生成标签 ，然后和在一起的。（附上基本的生成列表的代码label.py）。注：如果label标记不从0开始，可能会导致 label_value < num_labels 问题

import os
def generate(dir,label):
    files = os.listdir(dir)
    files.sort()
    print '****************'
    print 'input :',dir
    print 'start...'
    listText = open(dir+'\\'+'list.txt','w')
    for file in files:
        fileType = os.path.split(file)   
        name = file + ' ' + str(int(label)) +'\n'
        listText.write(name)
    listText.close()
    print 'down!'
    print '****************'    

if __name__ == '__main__':  
    generate('D:\\caffe\\caffe-master\\examples\\my_classify\\Test',1) 
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

3、生成lmdb格式数据集，并生成二进制imagemean.binaryproto的均值文件(size 256 256)
sudo bash lmdb.sh 

#!/usr/bin/env sh
# Create the imagenet lmdb inputs
# N.B. set the path to the imagenet train + val data dirs
set -e

EXAMPLE=/home/kyle/Documents/caffe/examples/my_classify/code
DATA=/home/kyle/Documents/caffe/examples/my_classify/code
TOOLS=/home/kyle/Documents/caffe/build/tools

TRAIN_DATA_ROOT=/home/kyle/Documents/caffe/examples/my_classify/train/
VAL_DATA_ROOT=/home/kyle/Documents/caffe/examples/my_classify/test/

# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
# already been resized using another tool.
RESIZE=true
if $RESIZE; then
  RESIZE_HEIGHT=256
  RESIZE_WIDTH=256
else
  RESIZE_HEIGHT=0
  RESIZE_WIDTH=0
fi

if [ ! -d "$TRAIN_DATA_ROOT" ]; then
  echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"
  echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet training data is stored."
  exit 1
fi

if [ ! -d "$VAL_DATA_ROOT" ]; then
  echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"
  echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet validation data is stored."
  exit 1
fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    $EXAMPLE/train_lmdb

echo "Creating test lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/test.txt \
    $EXAMPLE/test_lmdb
echo "Done."
注：如果数据集有改动，要将原来生成的trainlmdb和testlmdb删除

 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59

生成image_mean.binaryproto

DATA=/home/kyle/Documents/caffe/examples/my_classify/code
TOOLS=/home/kyle/Documents/caffe/build/tools
$TOOLS/compute_image_mean $DATA/train_lmdb $DATA/imagenet_mean.binaryproto

echo "Done."
 
 
  • 1
  • 2
  • 3
  • 4
  • 5

至此数据集制作部分完成。
二、新建网络模型train_val.prototxt和solver.prototxt两个文件
这里直接使用caffeNet的网络架构模型
train_val.prototxt

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 256
    mean_file: "/home/kyle/Documents/caffe/examples/my_classify/code/image_mean.binaryproto"
  }
  data_param {
    source: "/home/kyle/Documents/caffe/examples/my_classify/code/train_lmdb"
    batch_size: 4
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }

  data_param {
    source: "/home/kyle/Documents/caffe/examples/my_classify/code/test_lmdb"
    batch_size: 4
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 96
    kernel_size: 11
    stride: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8"
  bottom: "label"
  top: "loss"
}
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111
  • 112
  • 113
  • 114
  • 115
  • 116
  • 117
  • 118
  • 119
  • 120
  • 121
  • 122
  • 123
  • 124
  • 125
  • 126
  • 127
  • 128
  • 129
  • 130
  • 131
  • 132
  • 133
  • 134
  • 135
  • 136
  • 137
  • 138
  • 139
  • 140
  • 141
  • 142
  • 143
  • 144
  • 145
  • 146
  • 147
  • 148
  • 149
  • 150
  • 151
  • 152
  • 153
  • 154
  • 155
  • 156
  • 157
  • 158
  • 159
  • 160
  • 161
  • 162
  • 163
  • 164
  • 165
  • 166
  • 167
  • 168
  • 169
  • 170
  • 171
  • 172
  • 173
  • 174
  • 175
  • 176
  • 177
  • 178
  • 179
  • 180
  • 181
  • 182
  • 183
  • 184
  • 185
  • 186
  • 187
  • 188
  • 189
  • 190
  • 191
  • 192
  • 193
  • 194
  • 195
  • 196
  • 197
  • 198
  • 199
  • 200
  • 201
  • 202
  • 203
  • 204
  • 205
  • 206
  • 207
  • 208
  • 209
  • 210
  • 211
  • 212
  • 213
  • 214
  • 215
  • 216
  • 217
  • 218
  • 219
  • 220
  • 221
  • 222
  • 223
  • 224
  • 225
  • 226
  • 227
  • 228
  • 229
  • 230
  • 231
  • 232
  • 233
  • 234
  • 235
  • 236
  • 237
  • 238
  • 239
  • 240
  • 241
  • 242
  • 243
  • 244
  • 245
  • 246
  • 247
  • 248
  • 249
  • 250
  • 251
  • 252
  • 253
  • 254
  • 255
  • 256
  • 257
  • 258
  • 259
  • 260
  • 261
  • 262
  • 263
  • 264
  • 265
  • 266
  • 267
  • 268
  • 269
  • 270
  • 271
  • 272
  • 273
  • 274
  • 275
  • 276
  • 277
  • 278
  • 279
  • 280
  • 281
  • 282
  • 283
  • 284
  • 285
  • 286
  • 287
  • 288
  • 289
  • 290
  • 291
  • 292
  • 293
  • 294
  • 295
  • 296
  • 297
  • 298
  • 299
  • 300
  • 301
  • 302
  • 303
  • 304
  • 305
  • 306
  • 307
  • 308
  • 309
  • 310
  • 311
  • 312
  • 313
  • 314
  • 315
  • 316
  • 317
  • 318
  • 319
  • 320
  • 321
  • 322
  • 323
  • 324
  • 325
  • 326
  • 327
  • 328
  • 329
  • 330
  • 331
  • 332
  • 333
  • 334
  • 335
  • 336
  • 337
  • 338
  • 339
  • 340
  • 341
  • 342
  • 343
  • 344
  • 345
  • 346
  • 347
  • 348
  • 349
  • 350
  • 351
  • 352
  • 353
  • 354
  • 355
  • 356
  • 357
  • 358
  • 359
  • 360
  • 361
  • 362
  • 363
  • 364
  • 365
  • 366
  • 367
  • 368
  • 369
  • 370
  • 371
  • 372
  • 373
  • 374
  • 375
  • 376
  • 377
  • 378
  • 379
  • 380

solver.prototxt

net: "/home/kyle/Documents/caffe/examples/my_classify/code/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU
snapshot: 200
snapshot_prefix: "/home/kyle/Documents/caffe/examples/my_classify/medium"
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

至此网络搭建部分结束，接下来可以开始训练

三、训练
train_lenet.sh 注：这里换了电脑，地址改了，读者自行根据自己的地址修改代码

#!/usr/bin/env sh
set -e

/home/s408/caffe/build/tools/caffe train --solver=/home/s408/桌面/my_classify/code/solver.prototxt $@
 
 
  • 1
  • 2
  • 3
  • 4

训练结果，其中accuracy=0.625挺低的，首先训练集不够多，其次迭代次数较少
这里写图片描述
训练结束会生成xxx.caffemodel和xxx.solverstate分别存储训练过程的参数和中段的参数信息
四、利用生成的模型使用python接口测试自己的数据
1、通过脚本将image_mean.binaryproto转换成python可以识别的mean.npy文件

import caffe
import numpy as np

MEAN_PROTO_PATH = 'imagenet_mean.binaryproto'            
MEAN_NPY_PATH = 'mean.npy'                        

blob = caffe.proto.caffe_pb2.BlobProto()        
data = open(MEAN_PROTO_PATH, 'rb' ).read()         
blob.ParseFromString(data)                      

array = np.array(caffe.io.blobproto_to_array(blob))
mean_npy = array[0]                            
np.save(MEAN_NPY_PATH ,mean_npy)
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

2、编写与train_val.prototxt对应的deploy.prototxt用于测试的网络模型

name: "CaffeNet"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 10 dim: 3 dim: 256 dim: 256 } }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 96
    kernel_size: 11
    stride: 4
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  inner_product_param {
    num_output: 4
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8"
  top: "prob"
}
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86
  • 87
  • 88
  • 89
  • 90
  • 91
  • 92
  • 93
  • 94
  • 95
  • 96
  • 97
  • 98
  • 99
  • 100
  • 101
  • 102
  • 103
  • 104
  • 105
  • 106
  • 107
  • 108
  • 109
  • 110
  • 111
  • 112
  • 113
  • 114
  • 115
  • 116
  • 117
  • 118
  • 119
  • 120
  • 121
  • 122
  • 123
  • 124
  • 125
  • 126
  • 127
  • 128
  • 129
  • 130
  • 131
  • 132
  • 133
  • 134
  • 135
  • 136
  • 137
  • 138
  • 139
  • 140
  • 141
  • 142
  • 143
  • 144
  • 145
  • 146
  • 147
  • 148
  • 149
  • 150
  • 151
  • 152
  • 153
  • 154
  • 155
  • 156
  • 157
  • 158
  • 159
  • 160
  • 161
  • 162
  • 163
  • 164
  • 165
  • 166
  • 167
  • 168
  • 169
  • 170
  • 171
  • 172
  • 173
  • 174
  • 175
  • 176
  • 177
  • 178
  • 179
  • 180
  • 181
  • 182
  • 183
  • 184
  • 185
  • 186
  • 187
  • 188
  • 189
  • 190
  • 191
  • 192
  • 193
  • 194
  • 195
  • 196
  • 197
  • 198
  • 199
  • 200
  • 201
  • 202
  • 203
  • 204
  • 205
  • 206
  • 207
  • 208
  • 209
  • 210
  • 211
  • 212
  • 213

3、编写python接口

import numpy as np

import sys,os


caffe_root = './' 
sys.path.insert(0, '/home/s408/caffe/python')
import caffe
os.chdir(caffe_root)

net_file=caffe_root + 'deploy.prototxt'
caffe_model=caffe_root + 'medium_iter_500.caffemodel'
mean_file=caffe_root + 'mean.npy'

net = caffe.Net(net_file,caffe_model,caffe.TEST)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255) 
transformer.set_channel_swap('data', (2,1,0))

im=caffe.io.load_image(caffe_root+'698.jpg')
net.blobs['data'].data[...] = transformer.preprocess('data',im)
out = net.forward()


imagenet_labels_filename = caffe_root + 'label.txt'
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')

top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]
for i in np.arange(top_k.size):
    print top_k[i], labels[top_k[i]]
 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32

测试图片为：
这里写图片描述
分类结果为：
这里写图片描述
从上到下可能性递减

张远方
关注
专栏目录
ubuntu16.04中gpu版本的caffe-ssd模型训练与测试
奥特曼大战神
06-21 810
最近把一个ssd网络的net..prototxt网络结构和自己生成的hdf5格式数据一起做训练时发现经常报错，因为ssd中一些层在caffe中并没有实现，需要自己写相应的.cpp,.cu文件重新编译，比较麻烦，而大家通常训练caffe-ssd都是基于原作者公开的代码训练的，该代码中实现了这些层，于是把原作者代码跑了一遍． 我的机器是ubuntu16.04,装有两块ＧＴＸ　１０８０TI 的显卡，一...
ubuntu16.04中gpu版本caffe-ssd模型训练自己的数据
奥特曼大战神
06-21 1007
前天跑了一下caffe-ssd模型，并在pascal voc上跑了两天，效果不错，今天突然发现caffe-ssd目录没有了，，好像莫名被删除了，于是早上重新装了一遍，下午开始摸索如何用caff-ssd跑自己的数据，一个下午时间总算摸索出来了，记录一下，方便有需要的朋友参考． caffe-ssd训练自己的数据其实挺简单的，生成目标检测的lmdb数据时候需要根据caffe-ssd中的代码生成，下面讲...
caffe +ubuntu16.04基于CaffeNet网络框架训练图片进行分类
CYJ2014go的博客
06-19 751
参考： http://www.cnblogs.com/denny402/p/5082341.html 一、准备数据 数据下载地址： （1）.可以去imagenet的官网：http://www.image-net.org/download-images，下载imagenet图片来训练。 （2）.使用Corel数据集：https://blog.csdn.net/garfielder007/a...
caffe +ubuntu16.04基于CaffeNet网络框架训练自己的图片进行分类（实践篇）
where_is_my_keyboard的博客
04-10 737
caffe实践原文基于caffe+win10，经学习后改写成ubuntu16.04环境下的流程，供大家参考。 在caffe目录examples下新建my_classify文件夹，其余文件均在该目录下。 1.制作数据集 使用Corel数据集（下载地址）中的400图片，4类每类选取100张，其中90张作为训练集，10张作为测试集。所以训练集train中有360张图片，测试集test中有40张图片...
Ubuntu下Caffe实现物体分类
weixin_30542079的博客
05-21 138
参考链接： ubuntu下配置Caffe：https://blog.csdn.net/a_z666666/article/details/72853346 https://www.cnblogs.com/go-better/p/7161006.html 注意防坑点：Python和OpenCV版本都是采用的2.版本。（一开始在github上下载的，Python是3.6.4（由于安装了anaco...
ubuntu16.04 + caffe基于CaffeNet网络框架训练自己的图片进行分类（实践篇
CYJ2014go的博客
04-24 315
https://blog.csdn.net/hechenghai/article/details/46627205 https://download.csdn.net/download/qq_15618989/9489058 https://blog.csdn.net/hjimce/article/details/51899683
使用caffe fine-tune一个单标签图像分类模型
无空ty的博客
11-23 2666
本文叙述了使用caffe 针对图像识别任务进行fine-tune的大概流程，包括从最初的数据准备开始，到最终如何训练测试网络。
Ubuntu16.04+caffe+CUDA8.0+cuDNN v5+python编译
HamTam12
12-23 6026
Ubuntu16.04+caffe+CUDA8.0+cuDNN v5+python编译此教程适用于对于刚接触caffe和ubuntu系统的同学，请一步一步耐心地跟着教程走，尽量避免踩坑。对于习惯Windows系统的人来说，接触Ubuntu也算是一种有趣的体验。
ubuntu16.04+caffe安装和 py-faster-rcnn的CPU安装
博雯03的专栏
12-23 7591
第一部分：ubuntu16.04+caffe安装 第二部分：py-faster-rcnn的CPU安装
ubuntu搭建caffe可视化框架digits
qq_37223954的博客
06-29 371
有显卡可以安装caffe的GPU版本，若没有也可安装cpu版本，CPU训练速度慢刚装好的ubuntu系统，直接开始安装依赖项，终端输入：1、sudo apt-get install build-essential 2、sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev lib...
windows vs2017 opencv3 caffe模块 深度神经网络 物体识别
07-22
OpenCV3.3中的DNN模块实现实例,安装3.3版本及以上的opencv版本，本例用于测试该dnn模块在图像识别中的作用，资源中有完整的代码以及bvlc_googlenet.caffemodel以及测试图片。
MobileNet的caffe模型mobilenet.caffemodel
10-26
来源于http://github.com/hollance/MobileNet-CoreML的模型文件，方便google访问限制的小伙伴进行模型文件的下载
绘制caffe中的prototxt网络结构图
lien0906的专栏
06-03 1380
（1）准备python环境 （2）编译pycaffe make clean make -j  make pycaffe （3）绘制网络结构图 python draw_net.py ../models/bvlc_alexnet/train_val.prototxt alexnet.png
ubuntu下caffe手写数字识别问题、python接口测试
hjxu2016的博客
12-21 1240
下面这串代码mnist.py主要是生成一些相关的文件如train.prototxt/test.prototxt、solver.prototxt等 感谢两位博主 http://www.cnblogs.com/denny402/p/5684431.html http://blog.csdn.net/houwenbin1986/article/details/52956101# ...
caffe分类网络训练及测试步骤_Resnet50
cumtchw
09-22 2289
1.生成txt文件 分类网络可以不用制作lmdb数据，直接用txt文件作为输入源，一般习惯创建一个images文件夹，然后里面每一类单独一个文件夹，每个文件夹里面存放某一类的图片，然后用Python生成txt，脚本如下。 import os import random base_dir = "/data/chw/changjing_fenlei_20200622/yugeshuju/images" f_train = open("./train_origin.txt", 'w') #f_val
Ubuntu下Caffe二分类实战
春江水暖鸭先知
02-28 846
Caffe实战 看完本片博客，您将可能能够达到以下目的 能够对Shell编程以及caffe框架有着更深刻的理解 能够独自对自己的数据集进行二分类训练 通过自己的掌握程度，将代码从二分类更改成N分类问题 源码下载地址 文件结构及概览 在项目文件中，我们主要需要关心的是下面目录结构中的文件，并理解其中在项目中整体的作用 project │ README.md │ ru...
【Caffe实践】如何利用Caffe训练ImageNet分类网络
热门推荐
1983的专栏
08-21 3万+
源文章：https://github.com/BVLC/caffe/tree/master/examples/imagenet 由于要使用
Caffe学习系列(12)：训练和测试自己的图片
weixin_33975951的博客
12-28 555
学习caffe的目的，不是简单的做几个练习，最终还是要用到自己的实际项目或科研中。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试模型的整个流程。 一、准备数据 有条件的同学，可以去imagenet的官网http://www.image-net.org/download-images，下载imagenet图片来训练。但是我没有下载，一个原因是注册账号的时候，验证码始终出不来（...
caffe训练自己的图片（分类）
legalhighhigh的博客
09-01 3073
这个基本上按照大神的笔记来的。 学习参考 大神不仅提供了训练图片，还有详细的训练过程，包括转换源码，非常感谢。 总的来说用caffe来训练分类，可以分为几个步骤。 下载图片，生成.txt，这个txt用于转换图片格式的参数用到了 把训练图片转换成lmdb格式 计算图片均值 修...
Ubuntu 16.04+Cuda 9.0+Cudnn 7.0.5+OpenCV 3.4.0+Caffe 配置教程
在Ubuntu 16.04环境下，本文档详细介绍了如何配置CUDA 9.0、cuDNN 7.05、OpenCV 3.4.0以及Caffe库，以适应两台不同硬件平台：一台是搭载GTX 1080Ti的专业台式机，另一台则是配备了GTX 960M显卡的笔记本电脑。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值