经过前面博文的学习,我们已经训练好了一个caffemodel模型,并生成了一个deploy.prototxt文件,现在我们就利用这两个文件来对一个新的图片进行分类预测。
我们从自己数据集的val集中随便找一张图片,用来进行实验。
import caffe
import sys
import numpy as np
import time
caffe_root='D:/caffe-master/' #根目录
sys.path.insert(0,caffe_root+'python')
caffe.set_mode_gpu()
deploy=caffe_root+'zzfl/deploy.prototxt' #deploy文件
caffe_model=caffe_root+'zzfl/fenlei__iter_40000.caffemodel.h5' #训练好的 caffemodel
img=caffe_root+'zzfl/val/620474041777.jpg' #随机找的一张待测图片
labels_name=caffe_root+'zzfl/labels.txt' #类别名称文件,将数字标签转换回类别名称
mean_file=caffe_root+'zzfl/mean.npy' #由*_mean.binaryproto转换的均值文件
net=caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network,参数1 网络结构,参数2 model权值,参数3 测试阶段
#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
transformer.set_transpose('data',(2,0,1)) #改变维度的顺序,由原始图片H*W*K(0,1,2),但我们需要的是K*H*W(2,0,1)
transformer.set_mean('data',np.load(mean_file).mean(1).mean(1)) #计算均值,减去均值
transformer.set_raw_scale('data',255) #把0-1的数值缩放到【0,255】之间
transformer.set_channel_swap('data',(2,1,0)) #交换通道,将图片由RGB变为BGR
image=caffe.io.load_image(img) #加载图片
net.blobs['data'].data[...]=transformer.preprocess('data',image) #执行上面设置的图片预处理操作,并将图片载入到blob中
start =time.clock() #测试开始时间
out=net.forward() #执行测试
end=time.clock() #测试结束时间
print('classification time: %f s' % (end - start)) #测试经历时间
labels=np.loadtxt(labels_name,str,delimiter='\t') #读取类别名称文件
prob=net.blobs['prob'].data[0].flatten() #取出最后一层(Softmax)属于某个类别的概率值,并打印
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]],prob[top_k[i]]
'''
class_name=caffe_root+'example/myself/labels.txt'
category = net.blobs['prob'].data[0].argmax()
class_str = labels[int(category)].split(',')
class_str = labels[int(category)].split(',')
cv2.putText(img, class_name, (0, img.shape[0]), cv2.cv.CV_FONT_HERSHEY_SIMPLEX, 1, (55, 255, 155), 2)
'''
最后输出
分类正确。
如果是预测多张图片,可把上面这个文件写成一个函数,然后进行循环预测就可以了。多张图片测试后续完善。