一、單個圖片進行分類
這個比較簡單，在*.bat文件中輸入以下代碼：
@echo off set BIN_DIR=D:\caffe\caffe-windows\Build\x64\Release set DEPLOY_DIR=D:\gaokun\caffe_train_test_tool set CAFFEMODEL_DIR=D:\ChineseCharacterdata\caffemodel\HCL_1_800_HWDB_Train_3232 set MEAN_DIR=D:\ChineseCharacterdata\HCL_1_800_HWDB_Train_3232 set LABEL_DIR=D:\gaokun\caffe_train_test_tool set IMG_DIR=D:\gaokun\testImg\Img echo "run classification caffe ... !" %BIN_DIR%/classification.exe %DEPLOY_DIR%\*.prototxt %CAFFEMODEL_DIR%\*.caffemodel %MEAN_DIR%\mean.binaryproto %LABEL_DIR%\synset_words.txt %IMG_DIR%\*.png
設置好相關路徑后，雙擊*.bat文件即可運行。
二、批量對圖片進行分類
在對單個圖片進行分類就想知道如何批量對圖片進行分類。自己搜索了一些資料，發現需要調用python，使用python文件實現目的。
下面是批量對圖片進行分類的代碼(自己修改)：
#coding=utf-8 #作用：可以用來批處理圖片進行分類 import os import caffe import numpy as np root='C:/Users/Administrator/Desktop/' #根目錄 deploy=root+'11/alexnet.prototxt' #deploy文件的路徑 caffe_model=root+'11/HCL_1_800_HWDB_Train_3232_iter_480000.caffemodel' #caffe_model的路徑 mean_file=root+'11/mean.npy' #mean_file的路徑--注意，在python中要將mean.binaryproto轉換為mean.npy格式 labels_filename=root+'11/synset_words.txt' #sysset_words.txt的路徑 #預讀待分類的圖片 import os dir=root+'Img/' filelist=[] filenames=os.listdir(dir) #返回指定目錄下的所有文件和目錄名 for fn in filenames: fullfilename=os.path.join(dir,fn) #os.path.join--拼接路徑 filelist.append(fullfilename) #filelist里存儲每個圖片的路徑 net=caffe.Net(deploy,caffe_model,caffe.TEST) #加載model和network #圖片預處理設置 transformer=caffe.io.Transformer({'data':net.blobs['data'].data.shape}) #設定圖片的格式(1,3,28,28) transformer.set_transpose('data',(2,0,1)) #改變維度的順序，由原始圖片(28,28,3)變為(3,28,28) transformer.set_mean('data',np.load(mean_file).mean(1).mean(1)) #減去均值 transformer.set_raw_scale('data',255) #縮放到[0,255]之間 transformer.set_channel_swap('data',(2,1,0)) #交換通道，將圖片由RGB變成BGR #加載圖片 for i in range(0,len(filelist)): img=filelist[i] #獲取當前圖片的路徑 print filenames[i] #打印當前圖片的名稱 im=caffe.io.load_image(img) #加載圖片 net.blobs['data'].data[...]=transformer.preprocess('data',im) #執行上面的預處理操作，並將圖片載入到blob中 #執行測試 out=net.forward() labels=np.loadtxt(labels_filename,str,delimiter='/t') #讀取類別名稱文件 prob=net.blobs['prob'].data[0].flatten() #取出最后一層(prob)屬於某個類標的概率值，'prob'為最后一層的名稱 #print prob index1=prob.argsort()[-1] #獲取最大概率值對應的index index2=prob.argsort()[-2] #獲取第二大概率值對應的index index3=prob.argsort()[-3] #獲取第三大概率值對應的index index4=prob.argsort()[-4] #獲取第四大概率值對應的index print labels[index1],'--',prob[index1] #輸出label--prob print labels[index2],'--',prob[index2] print labels[index3],'--',prob[index3] print labels[index4],'--',prob[index4]
在這里需要注意是:
(1) "import caffe"的前提是需要編譯了pycaffe，具體可以看我的caffe小問題匯總（持續更新）第5個問題
(2) 在這里均值文件mean.binaryproto需要轉換為mean.npy文件，其python代碼如下：
#!/usr/bin/env python--將mean.binaryproto文件轉為python可以使用的mean.npy文件 import numpy as np import sys,caffe root='C:/Users/Administrator/Desktop/11/' #設置根目錄 mean_proto_path=root+'mean.binaryproto' #mean.binaryproto路徑 mean_npy_path=root+'mean.npy' #mean.npy路徑 blob=caffe.proto.caffe_pb2.BlobProto() #創建protobuf blob data=open(mean_proto_path,'rb').read() #讀入mean.binaryproto文件內容 blob.ParseFromString(data) #解析文件內容到blob array=np.array(caffe.io.blobproto_to_array(blob)) #將blob中的均值轉換稱numpy格式，array的shape(mean_number,channel,hight,width) mean_npy=array[0] #一個array中可以有多組均值存在，故需要通過下標選擇一組均值 np.save(mean_npy_path,mean_npy) #保存
如此，只要設定相關的路徑，即可利用訓練好的caffemodel對圖片進行批量分類。