用训练好的caffe model测试新的图片
2017-05-26 19:48
369 查看
参考链接:http://www.cnblogs.com/denny402/p/5685909.html
将图片通过名称放到对应的数字和字母的文件夹里
根据图片的文件夹以及预测出的结果统计正确率
将图片通过名称放到对应的数字和字母的文件夹里
根据图片的文件夹以及预测出的结果统计正确率
#coding=utf-8 import pdb import os import os.path import caffe import numpy as np root='/home/mqli/myFiles/carPlateRecog/' #根目录 deploy=root + 'SqueezeNet/deploy_my_267.prototxt' #deploy文件 #caffe_model=root + 'caffemodel_32_squeeze_267/train_iter_120000.caffemodel' #训练好的 caffemodel caffe_model=root + 'caffemodel_32_noGau_squeeze_267/squ_noGau_train_iter_100000.caffemodel' #img=root+'imgTest/9.jpg' #随机找的一张待测图片 #labels_filename = root + 'mnist/test/labels.txt' #类别名称文件,将数字标签转换回类别名称 labels = [ 'X','S','B','H','K','P','R','8','M','Y', 'J','6','7','4','Z','U','9','G','L','3', '5','W','T','A','1','N','C','0','F','2', 'E','D','V','Q'] #读取类别名称文件 imgsFoldersDir = root+'imgTest' #把所有图片分类,放到对应首字母或者数字文件夹,例如,1_1.jpg 放到1文件夹 def putImgsIntoDir(imgsFoldersDir): print("\n put imgs into the dir now \n") for file in os.listdir(imgsFoldersDir): if not os.path.isdir(file): if not os.path.exists(imgsFoldersDir + '/'+ file[0]): os.system('mkdir {}'.format(imgsFoldersDir + '/'+ file[0])) if not os.path.isdir(imgsFoldersDir + '/'+file): os.system('mv {}'.format(imgsFoldersDir + '/'+file +' ' +imgsFoldersDir + '/'+ file[0]+'/')) putImgsIntoDir(imgsFoldersDir) 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 count = 0 right = 0 for dir_img in os.listdir(imgsFoldersDir): dir_img = os.path.join(imgsFoldersDir,dir_img) if os.path.isdir(dir_img): #print dir_img for img in os.listdir(dir_img): img_path = os.path.join(dir_img,img) im=caffe.io.load_image(img_path) #加载图片 #执行上面设置的图片预处理操作,并将图片载入到blob中 net.blobs['data'].data[...] = transformer.preprocess('data',im) #执行测试 out = net.forward() 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 #print prob order=prob.argsort()[-1] #将概率值排序,取出最大值所在的序号 if labels[order]==dir_img[-1]: right+=1 else: print img_path print 'the predict class is:',labels[order],'\n' #将该序号转换成对应的类别名称,并打印 count+=1 print 'right nums=', right print 'imgs nums=', count print 'acc = right /count=', right/float(count) #pdb.set_trace()
相关文章推荐
- 自己训练的caffemodel用于测试图片时,出现的问题
- caffe的python接口学习:用训练好的模型(caffemodel或者h5)来分类新的图片
- caffe之训练和测试自己的图片
- caffe+python+mnist从图片训练到测试单张图片
- caffe的python接口学习(6):用训练好的模型(caffemodel)来分类新的图片
- caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-下篇--caffe学习(7)
- Caffe系列(9):训练和测试自己的图片
- caffe 实验中输入数据和label都是图片时,训练或测试数据列表train.txt生成方法(linux指令总结)
- caffe+python+mnist从图片训练到测试单张图片
- Caffe傻瓜系列(9):训练和测试自己的图片
- Caffe新手教程傻瓜系列(9):训练和测试自己的图片
- 用caffe训练好的lenet_iter_10000.caffemodel测试单张mnist图片
- 手把手教你用python写脚本看caffe训练好的网络测试单张图片的输出
- ubuntu14.04+caffe训练测试自己的图片数据
- 使用现有的基于caffe训练好的imagenet model进行图片分类
- caffe的python接口学习(6):用训练好的模型(caffemodel)来分类新的图片
- Caffe傻瓜系列(9):训练和测试自己的图片
- Caffe框架,训练model并测试数据
- caffe的python接口学习(6):用训练好的模型(caffemodel)来分类新的图片
- caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-上篇--caffe学习(6)