Caffe中c++与python调用图像分类接口

Windows下caffe用fine-tuning训练好的caffemodel来进行图像分类

转载地址 http://blog.csdn.net/xjz18298268521/article/details/52061649

小菜准备了几张验证的图片存放路径为caffe根目录下的 examples/images/, 如果我们想用一个微调训练好的caffemodel来对这张图片进行分类，那该怎么办呢？下面小菜来详细介绍一下这一任务的步骤。一般可以同两种方式进行测试，分别是基于c++接口和python接口。不管是用c++来进行分类，还是用python接口来分类，我们都应该准备这样三个文件： 
1、 caffemodel文件。 

就是之前小菜fine-tuning训练好的caffemodel，小菜用的是result_iter_1000.caffemodel。 
2、均值文件。 

有了caffemodel文件，就需要对应的均值文件，在测试阶段，需要把测试数据减去均值。这个文件我们用脚本来下载，在caffe根目录下执行： 

data/ilsvrc12/get_ilsvrc_aux.sh 

执行并下载后，均值文件放在 data/ilsvrc12/ 文件夹里。不过小菜用的是自己的数据集的均值文件，也就是fine-tuning时生成的均值文件mean.binaryproto。 
3、synset_words.txt文件 

在调用脚本文件下载均值的时候，这个文件也一并下载好了。里面放的是1000个类的名称。小菜自己在examples/myfile/目录下建立一个自己的ynset_words.txt，里面写了根据小菜需要分类的6个类别文本。 

数据准备好了，我们就可以开始分类了，我们给大家提供两个版本的分类方法： 
一、c++方法 

在caffe根目录下的 examples/cpp-classification/ 文件夹下面，有个classification.cpp文件，就是用来分类的。一开始安装caffe时，编译了caffe.sln会在Build/x64/Release/下有

classification.exe，直接条用就行。我们就直接运行命令：
build/x64/examples/cpp_classification.exe（此处有空格）\
examples/myfile/deploy.prototxt （此处有空格） \
examples/myfile/result_iter_1000.caffemodel  （此处有空格）\
examples/myfile/mean.binaryproto （此处有空格）\
examples/myfile/synset_words.txt （此处有空格）\
examples/images/cat.jpg

1
2
3
4
5
6
7

命令很长，用了很多的\符号来换行。可以看出，从第二行开始就是参数，每行一个，共需要4个参数。为了方便小菜这里把这命令写到脚本文件里了（xxx.sh），在cygwin里直接运行。 

运行成功后，输出top-5结果： 

———- Prediction for examples/images/cat.jpg ———- 

0.3134 - “n02123045 tabby, tabby cat” 

0.2380 - “n02123159 tiger cat” 

0.1235 - “n02124075 Egyptian cat” 

0.1003 - “n02119022 red fox, Vulpes vulpes” 

0.0715 - “n02127052 lynx, catamount” 

即有0.3134的概率为tabby cat, 有0.2380的概率为tiger cat …… 

二、python方法 

python接口可以使用jupyter notebook来进行可视化操作，因此推荐使用这种方法。建立一个test.py格式的脚本代码如下，在test.py根目录下（CMD）通过运行Python test.py来验证测试图片的分类结果，也可以在cygwin中运行。代码如下：

**#coding=utf-8
****#加载必要的库******
import numpy as np

import sys,os,caffe

**#设置当前目录**
caffe_root = 'd:/caffe-master/'
sys.path.insert(0, caffe_root + 'python')
import caffe
os.chdir(caffe_root)

net_file=caffe_root + 'examples/myfile/deploy.prototxt'

caffe_model=caffe_root + 'examples/myfile/result_iter_1000.caffemodel'
mean_file=caffe_root + 'examples/myfile/mean.npy'
****#python/caffe/imagenet/ilsvrc_2012_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+'examples/images/2.jpg')
net.blobs['data'].data[...] = transformer.preprocess('data',im)
out = net.forward()
****#imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'****
imagenet_labels_filename = caffe_root + 'examples/myfile/synset_words.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]]