Python接口調用已訓練好的 caffemodel 測試分類

訓練好caffemodel後，需要測試模型分類的正確率，caffe 有 python接口，可以調用已訓練好的caffemodel測試分類。
有以下幾點需要注意：

1，需要修改 net.prototxt 文件爲 deploy.prototxt 文件，方法見我的另一個博客。

deploy= '/home/justin/cnn-human/code/deploy.prototxt' #結構文件

2，圖像的均值文件爲相應的均值文件，這部分也要修改。(如果訓練的時候沒有加入數據的均值文件，測試的時候也不要加入均值文件測試)

transformer.set_mean('data', np.load('/home/justin/cnn-human/data/train/mean.npy').mean(1).mean(1))

3，下面的image_label.txt文件爲不同圖像和對應的label。

 labels = np.loadtxt("/home/justin/cnn-human/data/image_label.txt", str,delimiter='\t')

本次我用到的爲：

0 uwalk
1 unrun
2 boxst
3 boxwa
4 aimwa
5 crawl

4，其他的部分對比做相應的修改。

# -*- coding: UTF-8 -*-  
import os  
import caffe  
import numpy as np  
#root='/home/justin/caffe/'#指定根目錄  
deploy= '/home/justin/cnn-human/code/deploy.prototxt' #結構文件  
caffe_model= '/home/justin/cnn-human/code/snapshots/_iter_12500.caffemodel'
#已經訓練好的model  

dir = '/home/justin/cnn-human/data/testImg' #保存測試圖片的集合  
filelist=[]  
filenames=os.listdir(dir)  
for fn in filenames:  
        fullfilename = os.path.join(dir,fn)  
        filelist.append(fullfilename)  
#filelist.append(fn)  
def Test(img):  
#加載模型  
        net = caffe.Net(deploy,caffe_model,caffe.TEST)  
        #網絡設置爲測試模式

# 加載輸入和配置預處理  
        transformer = caffe.io.Transformer({'data':net.blobs['data'].data.shape})  #不懂什麼意思？
        transformer.set_mean('data', np.load('/home/justin/cnn-human/data/train/mean.npy').mean(1).mean(1))  
        #減去均值？
        transformer.set_transpose('data', (2,0,1))  
        #python讀取的圖片文件格式爲H×W×K，需轉化爲K×H×W
        transformer.set_channel_swap('data', (2,1,0))  
        #交換通道，將圖片由RGB變爲BGR（如果是灰度圖片，此處可以註釋，因爲沒有RGB一說,不註釋會報：Exception: Channel swap needs to have the same number of dimensions as the input channels.）
        transformer.set_raw_scale('data', 255.0)  
        #縮放到[0，255]之間

#注意可以調節預處理批次的大小  
#由於是處理一張圖片，所以把原來的15張的批次改爲1  
        net.blobs['data'].reshape(1,3,128,128)  
        #3通道*128*128

#加載圖片到數據層  
        im = caffe.io.load_image(img)  
        #加載圖片（caffe.io.load_image(img,color=False)，如果是灰度圖片，此處第二個參數color=False一定要補上，不然默認加載成3通道圖片，會報錯，大致意思就是我們net裏定義的是1通道的，與實際不符。ValueError: could not broadcast input array from shape (3,28,28) into shape (64,1,28,28)）
        net.blobs['data'].data[...] = transformer.preprocess('data', im) 
        #執行上面設置的圖片預處理操作，並將圖片載入到blob中 

#前向計算  

        out = net.forward()  

# 其他可能的形式 : # out = net.forward_all(data=np.asarray([transformer.preprocess('data', im)]))  

#預測分類  
        print out['prob']
        print out['prob'].argmax()

# print("Predicted class is #{}.".format(out['prob'].softmax()))      

    #打印預測標籤  
        labels = np.loadtxt("/home/justin/cnn-human/data/image_label.txt", str,delimiter='\t')  
        top_k = net.blobs['prob'].data[0].flatten().argsort()[-1]  
        #輸出概率最大的類別的下標
        print 'the class is:',labels[top_k]  
        f=file("/home/justin/cnn-human/data/label.txt","a")  
        f.writelines(img+' '+labels[top_k]+'\n')  
#循環遍歷文件夾root+'examples/images/'下的所有圖片  
for i in range(0,len(filelist)):  
    img=filelist[i]  
    Test(img)