Caffe學習系列(20)：用訓練好的caffemodel來進行分類

caffe程序自帶有一張小貓圖片，存放路徑為caffe根目錄下的 examples/images/cat.jpg, 如果我們想用一個訓練好的caffemodel來對這張圖片進行分類，那該怎么辦呢？ 如果不用這張小貓圖片，換一張別的圖片，又該怎么辦呢？如果學會了小貓圖片的分類，那么換成其它圖片，程序實際上是一樣的。

開發caffe的賈大牛團隊，利用imagenet圖片和caffenet模型訓練好了一個caffemodel,  供大家下載。要進行圖片的分類，這個caffemodel是最好不過的了。所以，不管是用c++來進行分類，還是用python接口來分類，我們都應該准備這樣三個文件：

1、caffemodel文件。 

  可以直接在瀏覽器里輸入地址下載，也可以運行腳本文件下載。下載地址為：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel

文件名稱為：bvlc_reference_caffenet.caffemodel，文件大小為230M左右，為了代碼的統一，將這個caffemodel文件下載到caffe根目錄下的 models/bvlc_reference_caffenet/ 文件夾下面。也可以運行腳本文件進行下載：

# sudo ./scripts/download_model_binary.py models/bvlc_reference_caffenet

2、均值文件。

有了caffemodel文件，就需要對應的均值文件，在測試階段，需要把測試數據減去均值。這個文件我們用腳本來下載，在caffe根目錄下執行：

# sudo sh ./data/ilsvrc12/get_ilsvrc_aux.sh

執行並下載后，均值文件放在 data/ilsvrc12/ 文件夾里。

3、synset_words.txt文件

在調用腳本文件下載均值的時候，這個文件也一並下載好了。里面放的是1000個類的名稱。

數據准備好了，我們就可以開始分類了，我們給大家提供兩個版本的分類方法：

一、c++方法

在caffe根目錄下的 examples/cpp-classification/ 文件夾下面，有個classification.cpp文件，就是用來分類的。當然編譯后，放在/build/examples/cpp_classification/ 下面

我們就直接運行命令：

# sudo ./build/examples/cpp_classification/classification.bin \
  models/bvlc_reference_caffenet/deploy.prototxt \
  models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel \
  data/ilsvrc12/imagenet_mean.binaryproto \
  data/ilsvrc12/synset_words.txt \
  examples/images/cat.jpg

命令很長，用了很多的\符號來換行。可以看出，從第二行開始就是參數，每行一個，共需要4個參數

運行成功后，輸出top-5結果：

---------- Prediction for examples/images/cat.jpg ----------
0.3134 - "n02123045 tabby, tabby cat"
0.2380 - "n02123159 tiger cat"
0.1235 - "n02124075 Egyptian cat"
0.1003 - "n02119022 red fox, Vulpes vulpes"
0.0715 - "n02127052 lynx, catamount"

即有0.3134的概率為tabby cat, 有0.2380的概率為tiger cat ......

二、python方法

python接口可以使用jupyter notebook來進行可視化操作，因此推薦使用這種方法。

在這里我就不用可視化了，編寫一個py文件，命名為py-classify.py

#coding=utf-8
#加載必要的庫
import numpy as np

import sys,os

#設置當前目錄
caffe_root = '/home/xxx/caffe/' 
sys.path.insert(0, caffe_root + 'python')
import caffe
os.chdir(caffe_root)

net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'
caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'

net = caffe.Net(net_file,caffe_model,caffe.TEST)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255) 
transformer.set_channel_swap('data', (2,1,0))

im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')
net.blobs['data'].data[...] = transformer.preprocess('data',im)
out = net.forward()


imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')

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]]

執行這個文件，輸出：

281 n02123045 tabby, tabby cat
282 n02123159 tiger cat
285 n02124075 Egyptian cat
277 n02119022 red fox, Vulpes vulpes
287 n02127052 lynx, catamount

 caffe開發團隊實際上也編寫了一個python版本的分類文件，路徑為 python/classify.py

運行這個文件必需兩個參數，一個輸入圖片文件，一個輸出結果文件。而且運行必須在python目錄下。假設當前目錄是caffe根目錄，則運行：

# cd python
# sudo python classify.py ../examples/images/cat.jpg result.npy

分類的結果保存為當前目錄下的result.npy文件里面，是看不見的。而且這個文件有錯誤，運行的時候，會提示

Mean shape incompatible with input shape

的錯誤。因此，要使用這個文件，我們還得進行修改：

1、修改均值計算：

定位到 

mean = np.load(args.mean_file)

 這一行，在下面加上一行：

mean=mean.mean(1).mean(1)

 則可以解決報錯的問題。

2、修改文件，使得結果顯示在命令行下：

定位到

# Classify.
    start = time.time()
    predictions = classifier.predict(inputs, not args.center_only)
    print("Done in %.2f s." % (time.time() - start))

這個地方，在后面加上幾行，如下所示：

  # Classify.
    start = time.time()
    predictions = classifier.predict(inputs, not args.center_only)
    print("Done in %.2f s." % (time.time() - start))
    imagenet_labels_filename = '../data/ilsvrc12/synset_words.txt'
    labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')
    top_k = predictions.flatten().argsort()[-1:-6:-1]
    for i in np.arange(top_k.size):
        print top_k[i], labels[top_k[i]]

 就樣就可以了。運行不會報錯，而且結果會顯示在命令行下面。