#!/usr/bin/env python import numpy as np import sys,caffe if len(sys.argv)!=3: print "Usage: python convert_mean.py mean.binaryproto mean.npy" sys.exit() blob = caffe.proto.caffe_pb2.BlobProto() bin_mean = open( sys.argv[1] , 'rb' ).read() blob.ParseFromString(bin_mean) arr = np.array( caffe.io.blobproto_to_array(blob) ) npy_mean = arr[0] np.save( sys.argv[2] , npy_mean )
binaryproto文件本身是一个和图像大小一样的矩阵,每个位置是图像集在该点的均值,在train和test的时候,是将binaryproto文件转换成一个矩阵,并用图像减去该矩阵。
但是用C 方法的classification.bin或者Python方法的时候,是先对binaryproto文件的矩阵计算均值,一个三通道矩阵,最后就三个均值,然后用每个通道的均值,减去图像上的每个像素点。所以以下方法是在网络结构文件里,把均值的binaryproto文件,换成三个通道均值
test正确率很高,classification.bin分类出错
我用caffe训练了一个自己的图像集,训练和测试的正确率都很高。
但在使用classification对单张图片测试时,发现分类结果是错误的。
为了验证,我特地在test里输出softmax的结果验证,发现这里的结果,是正确的类别概率最高。
但在使用classification时,就不对了。
我看了一些网上的帖子,说是classification的代码读图函数设置的问题,但我设置了好几次不同的,再用classification分类,结果还是错误的,而且不同的设置产生的结果是一样的。
但在使用classification对单张图片测试时,发现分类结果是错误的。
为了验证,我特地在test里输出softmax的结果验证,发现这里的结果,是正确的类别概率最高。
但在使用classification时,就不对了。
我看了一些网上的帖子,说是classification的代码读图函数设置的问题,但我设置了好几次不同的,再用classification分类,结果还是错误的,而且不同的设置产生的结果是一样的。