批量修改文件名
将JPEGImages文件夹里的所有图片名****.tiff改为了****.jpg
【注】:好像这样直接修改图片格式不太对,建议还是cv2.imread读入后再cv2.imwrite比较ok!!如果不改格式只改文件名,还是可以的。
import os
path = './JPEGImages/'
filename_list = os.listdir(path)
a = 1
for i in filename_list:
old_name = path + i
new_name = path + i.split('.')[0] + '.jpg'
os.rename(old_name, new_name)
print(a, ' ', new_name)
a += 1
批量修改xml文件内容
将xml里的<filename>****.tiff</filename>
,批量修改为<filename>****.jpg</filename>
import xml.etree.ElementTree as ET
import os
xml_path = './Annotations/'
file_list = os.listdir(xml_path)
a = 1
for xmlfile in file_list:
doc = ET.parse(xml_path + xmlfile)
root = doc.getroot()
sub1 = root.find('filename')
old_name = sub1.text
new_name = old_name.split('.')[0] + '.jpg'
sub1.text = new_name
print(a, ' ', xmlfile, ' ', new_name)
a += 1
doc.write(xml_path + xmlfile)
cv2.imread和caffe.io.load_image
caffe.io.load_image()读进来是RGB格式和0~1(float),(H, W, C)
cv2.imread()读进来的是BGR格式和(0~255),(H, W, C)
caffe中的blobs格式是batchsize * C * H * W
tensorflow中的是batchsize * H * W * C
但是特别注意!!!!cv2.resize(image, (W, H))
image = caffe.io.load_image('demo.tiff')
transformer = caffe.io.Transformer({'data': [1, 3, height_i, width_i]})
transformer.set_transpose('data', (2,0,1)) # (H,W,C)变为(C,H,W)
transformer.set_channel_swap('data', (2,1,0)) # RGB变为BGR
transformer.set_raw_scale('data',255) # 缩放达到0~255
image_i = transformer.preprocess('data', image)
cv2读图代码如下,与上面的caffe效果一致!
image = cv2.imread('demo.tiff')
transformer = caffe.io.Transformer({'data': [1, 3, height_i, width_i]})
transformer.set_transpose('data', (2,0,1)) # (H,W,C)变为(C,H,W)
# transformer.set_channel_swap('data', (2,1,0))
# transformer.set_raw_scale('data',255)
image_i = transformer.preprocess('data', image)
参考如下:https://www.cnblogs.com/denny402/p/5685909.html
#coding=utf-8
import caffe
import numpy as np
root='/home/xxx/' #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