利用训练好的网络参数模型批量对文字分类(caffe)

前提:将caffe的Python接口编译正确


import os

import caffe
import numpy as np
root='/home/lrj/Caffe/caffe-master/'   #根目录
deploy=root + 'examples/myMnist/lenet.prototxt'    #deploy文件
caffe_model=root + 'examples/myMnist/_iter_3000.caffemodel'  

 

import os
dir = root+'examples/myMnist/testImg/'
filelist=[]
filenames = os.listdir(dir)
for fn in filenames:
   fullfilename = os.path.join(dir,fn)
   filelist.append(fullfilename)

def Test(img):
      
    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['prob'].data[0].flatten() #取出最后一层(prob)属于某个类别的概率值,并打印,'prob'为最后一层的名称
    print prob
    order=prob.argsort()[-1]  #将概率值排序,取出最大值所在的序号 ,9指的是分为0-9十类
    #argsort()函数是从小到大排列
    print 'the class is:',labels[order]   #将该序号转换成对应的类别名称,并打印
    f=file("/home/lrj/Caffe/caffe-master/examples/myMnist/result1.txt","a+")
    f.writelines(img+' '+labels[order]+'\n')
 
labels_filename = root +'examples/myMnist/numLabel.txt'    #类别名称文件,将数字标签转换回类别名称
 
for i in range(0, len(filelist)):
    img= filelist[i]
    Test(img)

结果:识别结果会保存在results1.txt文档中


猜你喜欢

转载自blog.csdn.net/feelingjun/article/details/78222095
今日推荐