经过前面两篇博文的学习,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mnist数据集的test集中随便找一张图片,用来进行实验。
#!/usr/bin/env python
# encoding: utf-8
'''
@author: lele Ye
@contact: 1750112338@qq.com
@software: pycharm 2018.2
@file: classify.py
@time: 2018/10/22 19:14
@desc:
'''
import numpy as np
import os,sys
caffe_root = '/home/yeler082/caffe/'
sys.path.insert(0,caffe_root+'python')
import caffe
root = '/home/yeler082/' # 根目录
deploy = root + 'mnist/deploy.prototxt' # deploy文件
caffe_model = root + 'mnist/lenet_iter_9380.caffemodel' # 训练好的 caffemodel
img = root + 'mnist/test/5/00008.png' # 随机找的一张待测图片
labels_filename = root + 'mnist/test/labels.txt' # 类别名称文件,将数字标签转换回类别名称
net = caffe.Net(deploy, caffe_model, caffe.TEST) # 加载model和network
# 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(1,3,28,28)
transformer.set_transpose('data', (2, 0, 1)) # 改变维度的顺序,由原始图片(28,28,3)变为(3,28,28)
# transformer.set_mean('data', np.load(mean_file).mean(1).mean(1)) #减去均值,前面训练模型时没有减均值,这儿就不用
transformer.set_raw_scale('data', 255) # 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
im = caffe.io.load_image(img) # 加载图片
net.blobs['data'].data[...] = transformer.preprocess('data', im) # 执行上面设置的图片预处理操作,并将图片载入到blob中
# 执行测试
out = net.forward()
labels = np.loadtxt(labels_filename, str, delimiter='\t') # 读取类别名称文件
prob = net.blobs['Softmax1'].data[0].flatten() # 取出最后一层(Softmax)属于某个类别的概率值,并打印
print(prob)
order = prob.argsort()[-1] # 将概率值排序,取出最大值所在的序号
print('the class is:', labels[order]) # 将该序号转换成对应的类别名称,并打印
最后输出 the class is : 5
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。