當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

caffe学习：通过研读classification.cpp了解如何使用caffe模型

發(fā)布時間：2024/9/21 编程问答 44 豆豆

生活随笔收集整理的這篇文章主要介紹了 caffe学习：通过研读classification.cpp了解如何使用caffe模型小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

在學(xué)習(xí)caffe的過程中，安裝caffe訓(xùn)練和測試手寫字體識別例子成功時以為caffe不過如此；再用編譯好的classification.bin分類小貓的圖片時，發(fā)現(xiàn)自己能做的又非常的少。每次分類我都要提供這些文件？我能隨便給一張圖片嗎？我能更加隨心所欲的用這個模型嗎？模型的輸出應(yīng)該怎么看？這些問題都可以通過研讀classification.cpp得到一定的啟發(fā)。所以我決定參照classification.cpp改一個自己寫的程序。

一、工程建立

如我的一篇博客Caffe + ROS + OpenCV + Qt creator所說，我利用Cmake管理工程，利用qt creator編寫程序。目錄結(jié)構(gòu)如下：

classify文件夾?
- src文件夾?
  - classify.cpp
- CmakeLists.txt

CmakeLists.txt內(nèi)容如下：

cmake_minimum_required(VERSION 2.8.3) project(classify)#設(shè)置caffe的根目錄，需改成你的路徑 set(Caffe_DIR /home/gph/Desktop/caffe_cmake/caffe-master) #設(shè)置OpenCV的根目錄，需改成你的路徑 set(OpenCV_DIR /home/gph/opencv/opencv-2.4.11/build)find_package(Caffe) include_directories(${Caffe_INCLUDE_DIRS}) find_package(OpenCV REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS})include_directories(include ${OpenCV_INCLUDE_DIRS}${Caffe_INCLUDE_DIRS} )set(CPP_SOURCES src/classify.cpp)add_executable(classify ${CPP_SOURCES}) target_link_libraries(classify ${OpenCV_LIBS}${Caffe_LIBRARIES} )

打開qt creator，在Welcome頁點(diǎn)擊Open Project打開相應(yīng)的CmakeList.txt，再點(diǎn)擊Run cmake即可。

二、改寫程序

1.原程序解析

在classification.cpp中包含一個Classifier類，該類中包含：

Classifier函數(shù)：根據(jù)模型的配置文件.prototxt，訓(xùn)練好的模型文件.caffemodel，建立模型，得到net_；處理均值文件，得到mean_；讀入labels文件，得到labels_。

classify函數(shù)：調(diào)用Predict函數(shù)對圖像img進(jìn)行分類，返回std::pair< std::string, float >形式的預(yù)測結(jié)果。

私有函數(shù)：僅供classifier函數(shù)和classify函數(shù)使用，包括

setmean函數(shù)：將均值文件讀入，轉(zhuǎn)化為一張均值圖像mean_。
Predict函數(shù)：調(diào)用Process函數(shù)將圖像輸入到網(wǎng)絡(luò)中，使用net_->Forward()函數(shù)進(jìn)行預(yù)測；將輸出層的輸出保存到vector容器中返回。
Process函數(shù)：這里寫代碼片對圖像的通道數(shù)、大小、數(shù)據(jù)形式進(jìn)行改變，減去均值mean_，再寫入到net_的輸入層中。

私有變量：

net_：模型變量；
input_geometry_：輸入層的圖像的大小；
num_channels_：輸入層的通道數(shù)；
mean_：均值文件處理得到的均值圖像；
labels_：標(biāo)簽文件，輸出的結(jié)果表示的含義；

2.改寫程序

改寫后的程序如下：

#include "caffe/caffe.hpp" #include <string> #include <opencv2/opencv.hpp>using namespace std; using namespace cv; using namespace caffe;//用于表存輸出結(jié)果的，string保存的預(yù)測結(jié)果對應(yīng)的字符，如cat；float表示概率 typedef pair<string, float> Prediction;// 函數(shù)Argmax（）需要用到的子函數(shù) static bool PairCompare(const std::pair<float, int>& lhs,const std::pair<float, int>& rhs) {return lhs.first > rhs.first; }// 返回預(yù)測結(jié)果中概率從大到小的前N個預(yù)測結(jié)果的索引 static std::vector<int> Argmax(const std::vector<float>& v, int N) {std::vector<std::pair<float, int> > pairs;for (size_t i = 0; i < v.size(); ++i)pairs.push_back(std::make_pair(v[i], i));std::partial_sort(pairs.begin(), pairs.begin() + N, pairs.end(), PairCompare);std::vector<int> result;for (int i = 0; i < N; ++i)result.push_back(pairs[i].second);return result; }int main(int argc, char** argv) {// 定義模型配置文件，模型文件，均值文件，標(biāo)簽文件以及帶分類的圖像string model_file = "/home/gph/Desktop/caffe_cmake/caffe-master/models/bvlc_reference_caffenet/deploy.prototxt";string trained_file = "/home/gph/Desktop/caffe_cmake/caffe-master/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel";string label_file = "/home/gph/Desktop/caffe_cmake/caffe-master/data/ilsvrc12/synset_words.txt";string img_file = "/home/gph/Desktop/caffe_cmake/caffe-master/examples/images/cat.jpg";string mean_file = "/home/gph/Desktop/caffe_cmake/caffe-master/data/ilsvrc12/imagenet_mean.binaryproto";Mat img = imread(img_file);// 定義變量shared_ptr<Net<float> > net_;// 保存模型Size input_geometry_; // 模型輸入圖像的尺寸int num_channels_; // 圖像的通道數(shù)Mat mean_; // 根據(jù)均值文件計(jì)算得到的均值圖像vector<string> labels_; // 標(biāo)簽向量Caffe::set_mode(Caffe::GPU); // 是否使用GPUnet_.reset(new Net<float>(model_file, TEST)); // 加載配置文件，設(shè)定模式為分類net_->CopyTrainedLayersFrom(trained_file); // 根據(jù)訓(xùn)練好的模型修改模型參數(shù)Blob<float>* input_layer = net_->input_blobs()[0]; // 定義輸入層變量num_channels_ = input_layer->channels(); // 得到輸入層的通道數(shù)LOG(INFO) << "num_channels_:" << num_channels_; // 輸出通道數(shù)input_geometry_ = Size(input_layer->width(), input_layer->height()); // 得到輸入層的圖像大小// 處理均值文件，得到均值圖像BlobProto blob_proto;ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto); // mean_file.c_str()將string類型轉(zhuǎn)化為字符型Blob<float> mean_blob;mean_blob.FromProto(blob_proto);vector<Mat> channels;float* data = mean_blob.mutable_cpu_data();// data指針for (int i = 0; i < num_channels_; i++){Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);//將一副單通道圖像的數(shù)據(jù)記錄再channel中channels.push_back(channel);data += mean_blob.height() * mean_blob.width();// data指向下一個通道的開始}Mat mean;merge(channels, mean); //分離的通道融合，查看cv：：merge的作用Scalar channel_mean = cv::mean(mean);mean_ = Mat(input_geometry_, mean.type(), channel_mean);//得到均值圖像// 得到標(biāo)簽ifstream labels(label_file.c_str());string line;while (getline(labels, line))labels_.push_back(string(line));//判斷標(biāo)簽的類數(shù)和模型輸出的類數(shù)是否相同Blob<float>* output_layer = net_->output_blobs()[0];LOG(INFO) << "output_layer dimension: " << output_layer->channels()<< "; labels number: " << labels_.size();// 預(yù)測圖像input_layer->Reshape(1, num_channels_, input_geometry_.height, input_geometry_.width);net_->Reshape(); 調(diào)整模型//將input_channels指向模型的輸入層相關(guān)位置（大概是這樣的）vector<Mat> input_channels;int width = input_layer->width();int height = input_layer->height();float* input_data = input_layer->mutable_cpu_data();for (int i = 0; i < input_layer->channels(); i++){Mat channel(height, width, CV_32FC1, input_data);input_channels.push_back(channel);input_data += width * height;}//改變圖像的大小等Mat sample;if (img.channels() == 3 && num_channels_ == 1)cv::cvtColor(img, sample, cv::COLOR_BGR2GRAY);else if (img.channels() == 4 && num_channels_ == 1)cv::cvtColor(img, sample, cv::COLOR_BGRA2GRAY);else if (img.channels() == 4 && num_channels_ == 3)cv::cvtColor(img, sample, cv::COLOR_BGRA2BGR);else if (img.channels() == 1 && num_channels_ == 3)cv::cvtColor(img, sample, cv::COLOR_GRAY2BGR);elsesample = img;// change img sizecv::Mat sample_resized;if (sample.size() != input_geometry_)cv::resize(sample, sample_resized, input_geometry_);elsesample_resized = sample;// change img to floatcv::Mat sample_float;if (num_channels_ == 3)sample_resized.convertTo(sample_float, CV_32FC3);elsesample_resized.convertTo(sample_float, CV_32FC1);// img normalizecv::Mat sample_normalized;cv::subtract(sample_float, mean_, sample_normalized);//將圖像通過input_channels變量傳遞給模型/* This operation will write the separate BGR planes directly to the* input layer of the network because it is wrapped by the cv::Mat* objects in input_channels. */cv::split(sample_normalized, input_channels);// 調(diào)用模型進(jìn)行預(yù)測net_->Forward();// 得到輸出const float* begin = output_layer->cpu_data();const float* end = begin + output_layer->channels();//將輸出給vector容器vector<float> output = vector<float>(begin, end);//顯示概率前N大的結(jié)果int N = 10;N = std::min<int>(labels_.size(), N);std::vector<int> maxN = Argmax(output, N);std::vector<Prediction> predictions;for (int i = 0; i < N; ++i) {int idx = maxN[i];predictions.push_back(std::make_pair(labels_[idx], output[idx]));}for (size_t i = 0; i < predictions.size(); ++i) {Prediction p = predictions[i];std::cout << std::fixed << std::setprecision(4) << p.second << " - \""<< p.first << "\"" << std::endl;}return 0; }// end for main

3.編譯并運(yùn)行

在classify文件夾路徑下輸入以下命令：

mkdir build cd build cmake .. make

編譯成功后運(yùn)行程序：

./classify

結(jié)果：

I1028 21:36:29.941694 13761 classify.cpp:53] num_channels_:3 I1028 21:36:29.944052 13761 classify.cpp:80] output_layer dimension: 1000; labels number: 1000 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" 0.0539 - "n02119789 kit fox, Vulpes macrotis" 0.0144 - "n02123394 Persian cat" 0.0113 - "n04493381 tub, vat" 0.0063 - "n02120505 grey fox, gray fox, Urocyon cinereoargenteus" 0.0062 - "n02112018 Pomeranian"

總結(jié)

以上是生活随笔為你收集整理的caffe学习：通过研读classification.cpp了解如何使用caffe模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇： Opencv判断是否加载图片的两种方法
下一篇： Caffe + ROS + OpenCV