如何调用 caffe 训练好的模型对输入图片进行测试

àì夳堔傛蜴生んèń 2021-10-30 00:44 558阅读 0赞

# 如何调用 caffe 训练好的模型对输入图片进行测试 #

该部分包括两篇文章

*  [win10 下 caffe 的第一个测试程序（附带详细讲解）][win10 _ caffe] 主要讲解如何利用 caffe 来训练模型。
 *  [如何调用 caffe 训练好的模型对输入图片进行测试][caffe] 主要介绍利用已经训练好的模型进行预测。

对 caffe 来说常用的有两种接口，一种是通过 C++ 接口， 另一种是通过 python 接口。这里以 caffe 中自带的 mnist 手写数据集为例。

训练好模型之后，应该如何调用训练好的模型了。其实训练的过程就是对网络进行前向传播，计算最后的输出结果，也即模型的预测结果，所以输入的网络模型应该是去除了反向传播过程的，比如求loss。通过下面的对比可以非常清晰的看到区别。第一张为训练模型时的网络，第二张图为预测时的网络。

![\[外链图片转存失败(img-sVWE3ymO-1566132389138)(2019-08-18-20-44-38.png)\]][img-sVWE3ymO-1566132389138_2019-08-18-20-44-38.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2t1d2VpY2Fp_size_16_color_FFFFFF_t_70]

被测试的图片可以自己准备测试的图片，也可以从 mnist 数据集中提取。如果是从数据集中提取可以参考 [mnist数据集转换为图片+测试手写字的demo][mnist_demo]。这里直接用画板手写一个数字的图片来进行测试。需要注意的是这张图片应该是 28 \* 28 pix， 然后为256的二值图像。下图是我用的测试图像（放大了12倍的效果）。

![\[外链图片转存失败(img-8jx4cQsW-1566132389139)(2019-08-18-20-45-16.png)\]][img-8jx4cQsW-1566132389139_2019-08-18-20-45-16.png]

## 1. C++ 接口 ##

在 examples/cpp\_classification 文件夹下有 classification.cpp 文件，其中定义了 Classifier 类， 用来进行测试，需要注意的是这个 class 是基于 opencv 的，所以对于不想折腾 opencv 的朋友， 可以选择 python 接口。  
但是对于 C++ 接口，比较麻烦的是 vs 的环境配置，需要弄好所以的依赖性，是一件很麻烦的事情。具体可以参考 [CAFFE安装笔记\[windows和ubuntu\]][CAFFE_windows_ubuntu]。coding 部分比较简单，直接把 classification.cpp 的main() 函数部分修改一下就可以了，这里不再赘述。

## 2. python 接口 ##

相比 C++ 接口，python接口使用起来更为方便，当然实际应用中很多都是部署到 C++ 应用中。为了方便，这里利用 jupyter 来进行测试。当然首先要保证你已经配置好了 caffe 的 python 接口。 代码如下。

# set up Python environment: numpy for numerical routines, and matplotlib for plotting
    import numpy as np
    import matplotlib.pyplot as plt
    # display plots in this notebook
    %matplotlib inline
    
    # set display defaults
    plt.rcParams['figure.figsize'] = (10, 10)        # large images
    plt.rcParams['image.interpolation'] = 'nearest'  # don't interpolate: show square pixels
    plt.rcParams['image.cmap'] = 'gray'  # use grayscale output rather than a (potentially misleading) color heatmap
    
    # The caffe module needs to be on the Python path;
    #  we'll add it here explicitly.
    import sys
    caffe_root = 'C:/Projects/caffe/'  # this file should be run from {caffe_root}/examples (otherwise change this line)
    sys.path.insert(0, caffe_root + 'python')
    
    import caffe
    # If you get "No module named _caffe", either you have not built pycaffe or you have the wrong path.
    
    import os
    if os.path.isfile(caffe_root + 'examples/mnist/lenet_iter_10000.caffemodel'):
        print('CaffeNet found.')
    else:
        print('Downloading pre-trained CaffeNet model...')
    
    caffe.set_mode_cpu()
    
    model_def = caffe_root + 'examples/mnist/lenet.prototxt'
    model_weights = caffe_root + 'examples/mnist/lenet_iter_10000.caffemodel'
    
    IMAGE_FILE ='F:\\VS_Project\\opencv_test\\opencv_test\\gray_9.jpg'
    input_image=caffe.io.load_image(IMAGE_FILE,color=False)
    
    net =caffe.Classifier(model_def,model_weights)
    prediction=net.predict([input_image],oversample=False)
    caffe.set_mode_cpu()
    print('predicted class:', prediction[0].argmax())

除此之外也可以参考官方的资料 [Classification: Instant Recognition with Caffe][Classification_ Instant Recognition with Caffe]。在官方的资料中的是用的另外一种方法，较上面的功能更为强大，可以观察更多的输出，比如中间层的输出，感兴趣的朋友也可以仔细研究下。

[win10 _ caffe]: https://blog.csdn.net/kuweicai/article/details/90217493
[caffe]: https://blog.csdn.net/kuweicai/article/details/99709121
[img-sVWE3ymO-1566132389138_2019-08-18-20-44-38.png]: /images/20211029/fe932bae213d40998645f7e296b1b6ca.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2t1d2VpY2Fp_size_16_color_FFFFFF_t_70]: /images/20211029/140a1e8bf99349fe97169a2b11941a84.png
[mnist_demo]: https://blog.csdn.net/swiftfake/article/details/79591637
[img-8jx4cQsW-1566132389139_2019-08-18-20-45-16.png]: /images/20211029/bfdc5217585944749a66798b652adbae.png
[CAFFE_windows_ubuntu]: https://www.cnblogs.com/qq552048250/p/10588673.html
[Classification_ Instant Recognition with Caffe]: https://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb