caffe训练（8）：用训练好的模型（caffemodel）来分类新的图片

经过前面博文的学习，我们已经训练好了一个caffemodel模型，并生成了一个deploy.prototxt文件，现在我们就利用这两个文件来对一个新的图片进行分类预测。

我们从自己数据集的val集中随便找一张图片，用来进行实验。

import caffe  
import sys  
import numpy as np  
import time
caffe_root='D:/caffe-master/'   #根目录 
sys.path.insert(0,caffe_root+'python')  
  
caffe.set_mode_gpu()  
  
deploy=caffe_root+'zzfl/deploy.prototxt'    #deploy文件
caffe_model=caffe_root+'zzfl/fenlei__iter_40000.caffemodel.h5'   #训练好的 caffemodel
img=caffe_root+'zzfl/val/620474041777.jpg'       #随机找的一张待测图片
labels_name=caffe_root+'zzfl/labels.txt'       #类别名称文件，将数字标签转换回类别名称
mean_file=caffe_root+'zzfl/mean.npy'         #由*_mean.binaryproto转换的均值文件
  
net=caffe.Net(deploy,caffe_model,caffe.TEST)    #加载model和network，参数1 网络结构，参数2 model权值，参数3 测试阶段
#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
transformer.set_transpose('data',(2,0,1))    #改变维度的顺序，由原始图片H*W*K（0，1，2），但我们需要的是K*H*W（2，0，1）
transformer.set_mean('data',np.load(mean_file).mean(1).mean(1))  #计算均值，减去均值
transformer.set_raw_scale('data',255)  #把0-1的数值缩放到【0，255】之间
transformer.set_channel_swap('data',(2,1,0))    #交换通道，将图片由RGB变为BGR
  
image=caffe.io.load_image(img)       #加载图片
net.blobs['data'].data[...]=transformer.preprocess('data',image)  #执行上面设置的图片预处理操作，并将图片载入到blob中
start =time.clock()  #测试开始时间
out=net.forward()   #执行测试
end=time.clock()    #测试结束时间
print('classification time: %f s' % (end - start))    #测试经历时间
 
labels=np.loadtxt(labels_name,str,delimiter='\t')    #读取类别名称文件
  
prob=net.blobs['prob'].data[0].flatten()    #取出最后一层（Softmax）属于某个类别的概率值，并打印
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]],prob[top_k[i]]
'''
class_name=caffe_root+'example/myself/labels.txt'
category = net.blobs['prob'].data[0].argmax()
class_str = labels[int(category)].split(',')
class_str = labels[int(category)].split(',')
cv2.putText(img, class_name, (0, img.shape[0]), cv2.cv.CV_FONT_HERSHEY_SIMPLEX, 1, (55, 255, 155), 2)
'''

最后输出

分类正确。

如果是预测多张图片，可把上面这个文件写成一个函数，然后进行循环预测就可以了。多张图片测试后续完善。