caffe的python接口提取resnet101某層特征

 論文的caffemodel轉化為tensorflow模型過程中越坑無數，最后索性直接用caffe提特征。

caffe提取倒數第二層，pool5的輸出，fc1000層的輸入，2048維的特征

#coding=utf-8

import caffe
import os
import numpy as np
import scipy.io as sio

#路徑設置
OUTPUT='E:/caffemodel/'#輸出txt文件夾
root='E:/caffemodel/'   #根目錄
deploy=root + 'ResNet-101-deploy.prototxt'    #deploy文件
caffe_model=root + 'ResNet-101-model.caffemodel'   #訓練好的 caffemodel
imgroot = 'E:/bjfu-cv-project/img_35/'   #隨機找的一張待測圖片
#labels_filename = 'E:/bjfu-cv-project/CUB_200_2011/CUB_200_2011/classes.txt'  #類別名稱文件，將數字標簽轉換回類別名稱
net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加載model和network
mean_file='mean.npy'

#容器初始化
dict = {}

fea = []
out_array = np.zeros(shape=(2048,))

#文件讀取

count = 0
for root, dirs, files in os.walk(imgroot):
    for dir in dirs:
        print(dir)
        for root, dirs, files in os.walk(imgroot+dir):
            i = 0
            for img in files:
                img = imgroot+dir + '/' + img
                #圖片預處理設置
                transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  #設定圖片的shape格式(1,3,224,224)
                transformer.set_transpose('data', (2,0,1))    #改變維度的順序，由原始圖片(224,224,3)變為(3,224,224)
                transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))    #減去均值，前面訓練模型時沒有減均值，這兒就不用
                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變為BGR
                try:
                    im=caffe.io.load_image(img)                   #加載圖片
                except:
                    continue
                net.blobs['data'].data[...] = transformer.preprocess('data',im)      #執行上面設置的圖片預處理操作，並將圖片載入到blob中

                #執行測試
                out = net.forward()
                fea.append(net.blobs['pool5'].data)  # 提取某層數據（特征）
                print(dir, i, img)
                out_array = np.column_stack((fea[i][0,:,0,0], out_array))
                i = i + 1
            #結果輸出
            dict['array'] = out_array
            save_matFile = 'fearture_of_35.mat'
            sio.savemat(save_matFile, dict)

 

均值文件ResNet_mean.binaryproto轉化mean.npy

#coding=utf-8
import caffe
import numpy as np

MEAN_PROTO_PATH = 'ResNet_mean.binaryproto'               # 待轉換的pb格式圖像均值文件路徑

MEAN_NPY_PATH = 'mean.npy'                         # 轉換后的numpy格式圖像均值文件路徑

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中的均值轉換成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其中一組均值
np.save(MEAN_NPY_PATH ,mean_npy)