caffe初步实践---------使用训练好的模型完成语义分割任务

caffe刚刚安装配置结束，乘热打铁！

（一）环境准备

前面我有两篇文章写到caffe的搭建，第一篇cpu only ，第二篇是在服务器上搭建的，其中第二篇因为硬件环境更佳我们的步骤稍显复杂。其实，第二篇也仅仅是caffe的初步搭建完成，还没有编译python接口，那么下面我们一起搞定吧！

首先请读者再回过头去看我的《Ubuntu16.04安装配置Caffe》（ http://www.cnblogs.com/xuanxufeng/p/6150593.html  ）

在这篇博文的结尾，我们再增加编译Python接口，而这部分内容请参考我的博文《Ubuntu14.04搭建Caffe（仅cpu)》 http://www.cnblogs.com/xuanxufeng/p/6016945.html ，这篇文章从编译Python接口部分看就好了。

（二）下载模型

作者在github上开源了代码:Fully Convolutional Networks，我们首先将代码下载并且解压到家目录下。

项目文件结构很清晰，如果想train自己的model,只需要修改一些文件路径设置即可，这里我们应用已经train好的model来测试一下自己的图片：

我们下载voc-fcn32s,voc-fcn16s以及voc-fcn8s的caffemodel（根据提供好的caffemodel-url)，fcn-16s和fcn32s都是缺少deploy.prototxt的，我们根据train.prototxt稍加修改即可。注意，这里的caffemode-url其实在各个模型的文件夹下面都已经提供给我们了，请读者细心找一找，看看是不是每一个文件夹下面都有一个caffemode-url的文件？打开里面会有模型的下载地址！

（三）修改infer.py文件

• caffe path的加入，由于FCN代码和caffe代码是独立的文件夹，因此，须将caffe的Python接口加入到path中去。这里有两种方案，一种是在所有代码中出现import caffe 之前，加入：

 import sys
 sys.path.append('caffe根目录/python')

• 另一种一劳永逸的方法是:在终端或者bashrc中将接口加入到PYTHONPATH中：

export PYTHONPATH=caffe根目录/python:$PYTHONPATH

本次我们采用后者。

在解压代码的根目录下找到一个文件:infer.py。略微修改infer.py,就可以测试我们自己的图片了，请大家根据自己实际情况来进行修改。

im = Image.open('voc-fcn8s/test.jpeg') 这里指的是测试图片路径！

net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST) ，这里指的是voc-fcn8s文件下的部署文件和模型。注意，fcn下每一个模型其实都对应于一个文件夹，而每个文件夹下应当放着这个模型的caffemodel文件和prototxt文件！

plt.savefig('test.png') ，这里指的是最终分割的结果应当放置在哪个路径下，大家都知道，语义分割的结果应当是一张图片！

修改完后的infer.py如下所示：

 import numpy as np
 from PIL import Image
 import matplotlib.pyplot as plt
 import caffe

 # load image, switch to BGR, subtract mean, and make dims C x H x W for Caffe
 im = Image.open('voc-fcn8s/test.jpeg')
 in_ = np.array(im, dtype=np.float32)
 in_ = in_[:,:,::-1]
 in_ -= np.array((104.00698793,116.66876762,122.67891434))
 in_ = in_.transpose((2,0,1))

 # load net
 net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST)
 # shape for input (data blob is N x C x H x W), set data
 net.blobs['data'].reshape(1, *in_.shape)
 net.blobs['data'].data[...] = in_
 # run net and take argmax for prediction
 net.forward()
 out = net.blobs['score'].data[0].argmax(axis=0) 

 plt.imshow(out,cmap='gray');
 plt.axis('off')
 plt.savefig('test.png')
 #plt.show()

运行结束后会在软件的根目录下生成一个分割好的图片test.png！

我们可以看一下原始图片和最后生成的图片的区别：

可能会遇到的问题：

（1）no display name and no $DISPLAY environment variable

其实，在Ubuntu虚拟终端里执行python infer.py是没有任何错误的，但是我是通过远程访问连接服务器的方式运行程序的。所以在执行到最后的时候会报这个错。不过不要害怕，

在stackoverflow中找到了终极解决办法：

如图中所示的步骤，找到matplotlibrc，将backend从tkAGG修改为AGG。

sudo gedit /home/xuanxufeng/.local/lib/python2./site-packages/matplotlib/mpl-data/matplotlibrc

再次在putty中执行就没有任何问题了！

（2）在执行python infer.py时可能会提示缺少某一两个模块。

这个不用担心，都是小问题，百度很容易搜到，一两个命令安装就好了~

（四） 结束语

从开始读论文到现在，也算是前进了一小步，可以看见的一小步。在往后，随着实验的一步步进行，我还会再更新模型的训练以及训练数据集的制作！请各位看官耐心等待！