【TensorFlow】Caffe模型转tensorflow模型并使用模型进行预测

做了一个Caffe模型转tensorflow的实验，把ResNet模型和prototxt转为tensorflow模型和tensorflow代码，挺有意思的。

主要参考：
https://my.oschina href="http://lib.csdn.net/base/dotnet" target=_blank>.NET/yilian/blog/672135

这个开源项目 caffe-tensorflow 提供了caffe转tensorflow的功能：

https://github.com/ethereon/caffe-tensorflow

1. 环境准备

环境：Pytcaffe， tensorflow

因为我的Anaconda是有一个单独的tensorflow环境，在此环境中增加Pycaffe是有问题的，因此另加了一个环境：

conda create -n caffe-tf python=2 tensorflow caffe

Anaconda会自动安装一个同时具备caffe和tensorflow的环境，等待安装完成，激活环境：

source activate caffe-tf

2. 使用开源转换

解压caffe-tensorflow到某个目录，并进入。

这里以ResNet101为例（https://github.com/BVLC/caffe/tree/b590f1d27eb5cbd9bc7b9157d447706407c68682/models/bvlc_googlenet）

下载模型：

[html] view plain copy print?



curl http://ethereon.github.io/netscope/#/gist/b21e2aae116dc1ac7b50 -o ResNet-101-model.caffemodel

curl http://ethereon.github.io/netscope/#/gist/b21e2aae116dc1ac7b50 -o ResNet-101-model.caffemodel

下载模型配置：

下载此项目 https://github.com/BVLC/caffe/tree/b590f1d27eb5cbd9bc7b9157d447706407c68682/models/bvlc_googlenet
转换只需一个指令：

[plain] view plain copy print?



./convert.py ResNet-101-deploy.prototxt –caffemodel ResNet-101-model.caffemodel –code-output-path=ResNetTensorflow.py –data-output-path=ResNetTensorflow_2.npy

./convert.py ResNet-101-deploy.prototxt --caffemodel ResNet-101-model.caffemodel --code-output-path=ResNetTensorflow.py --data-output-path=ResNetTensorflow_2.npy

code和data需同时输出，否则单独输出code会报错：

[python] view plain copy print?



….
transformer.py”, line 149, in map_batch_norm
scale_offset = len(node.data) == 4
TypeError: object of type ’NoneType’ has no len()

....
transformer.py", line 149, in map_batch_norm
scale_offset = len(node.data) == 4
TypeError: object of type 'NoneType' has no len()

这是参考材料中的一个错误，也是这个开源的一个缺陷，绕过即可。

3. 使用转换的模型做预测

caffe-tensorflow里有一个很好的example，见：

path-caffe-tensorflow/examples/imagenet

说明： https://github.com/ethereon/caffe-tensorflow/tree/master/examples/imagenet

调用模型：

[plain] view plain copy print?



 ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg  </span></span></li></ol><div class="save_code tracking-ad" data-mod="popu_249" style="display: none;"><a href="javascript:;" target="_blank"><img src="https://oscdn.geek-share.com/Uploads/Images/Content/201702/b303364dc8d788bc830b1e2a21d6c01b.png">&
4000
lt;/a></div></div><pre code_snippet_id="2293587" snippet_file_name="blog_20170327_4_4997598" name="code" class="plain" style="display: none;"><script type="math/tex" id="MathJax-Element-1"> ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg  </span></span></li></ol><div class="save_code tracking-ad" data-mod="popu_249" style="display: none;"><a href="javascript:;" target="_blank"><img src="https://oscdn.geek-share.com/Uploads/Images/Content/201702/b303364dc8d788bc830b1e2a21d6c01b.png"></a></div></div><pre code_snippet_id="2293587" snippet_file_name="blog_20170327_4_4997598" name="code" class="plain" style="display: none;"></script> ./classify.py /path/to/googlenet.npy ~/pics/kitty.png ~/pics/woof.jpg

可得到预测结果：

Image Classified As Confidence

———————————————————————-

kitty.png Persian cat 99.75 %

woof.jpg Bernese mountain dog 82.02 %

测试了一下用自己转换的模型预测：

1. 首先把转换的模型代码拷贝入imagenet/models目录

2. 修改models/helper.py

2.1 增加引入

from MyModel import xmodel

2.2 在MODELS 枚举里增加 xmodel

2.3 在MODEL_DATA_SPECS里增加对batchsize的配置

3. 拷贝一份imagenet/classify.py，修改为使用自己的模型（原始的classify.py是用Googlenet的）

替换所有的models.GoogleNet为models.xmodel

4. 执行：

[plain] view plain copy print?



./classify_xmodel.py /path/to/xmodel.npy ~/pics/kitty.png ~/pics/woof.jpg

./classify_xmodel.py /path/to/xmodel.npy ~/pics/kitty.png ~/pics/woof.jpg

预测结果类似如下：

Image Classified As Confidence

———————————————————————-

n03792782_52.JPEG mountain bike, all-terrain bike, off-roader 98.98 %

n03803284_28.JPEG muzzle 99.71 %

n03804744_1.JPEG nail 75.82 %

总结，caffe-tensorflow转换还是很好用的，官方的example也能帮我们快速学习到tensorflow调用转换后模型的方式，done。