caffe的python接口提取resnet101某层特征

论文的caffemodel转化为tensorflow模型过程中越坑无数，最后索性直接用caffe提特征。

caffe提取倒数第二层，pool5的输出，fc1000层的输入，2048维的特征

 #coding=utf-8

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

 #路径设置
 OUTPUT='E:/caffemodel/'#输出txt文件夹
 root='E:/caffemodel/'   #根目录
 deploy=root + 'ResNet-101-deploy.prototxt'    #deploy文件
 caffe_model=root + 'ResNet-101-model.caffemodel'   #训练好的 caffemodel
 imgroot = 'E:/bjfu-cv-project/img_35/'   #随机找的一张待测图片
 #labels_filename = 'E:/bjfu-cv-project/CUB_200_2011/CUB_200_2011/classes.txt'  #类别名称文件，将数字标签转换回类别名称
 net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加载model和network
 mean_file='mean.npy'

 #容器初始化
 dict = {}

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

 #文件读取

 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
                 #图片预处理设置
                 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  #设定图片的shape格式(1,3,224,224)
                 transformer.set_transpose('data', (2,0,1))    #改变维度的顺序，由原始图片(224,224,3)变为(3,224,224)
                 transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))    #减去均值，前面训练模型时没有减均值，这儿就不用
                 transformer.set_raw_scale('data', 255)    # 缩放到【0，255】之间
                 transformer.set_channel_swap('data', (2,1,0))   #交换通道，将图片由RGB变为BGR
                 try:
                     im=caffe.io.load_image(img)                   #加载图片
                 except:
                     continue
                 net.blobs['data'].data[...] = transformer.preprocess('data',im)      #执行上面设置的图片预处理操作，并将图片载入到blob中

                 #执行测试
                 out = net.forward()
                 fea.append(net.blobs['pool5'].data)  # 提取某层数据（特征）
                 print(dir, i, img)
                 out_array = np.column_stack((fea[i][0,:,0,0], out_array))
                 i = i + 1
             #结果输出
             dict['array'] = out_array
             save_matFile = 'fearture_of_35.mat'
             sio.savemat(save_matFile, dict)

均值文件ResNet_mean.binaryproto转化mean.npy

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

 MEAN_PROTO_PATH = 'ResNet_mean.binaryproto'               # 待转换的pb格式图像均值文件路径

 MEAN_NPY_PATH = 'mean.npy'                         # 转换后的numpy格式图像均值文件路径

 blob = caffe.proto.caffe_pb2.BlobProto()           # 创建protobuf blob
 data = open(MEAN_PROTO_PATH, 'rb' ).read()         # 读入mean.binaryproto文件内容
 blob.ParseFromString(data)                         # 解析文件内容到blob

 array = np.array(caffe.io.blobproto_to_array(blob))# 将blob中的均值转换成numpy格式，array的shape （mean_number，channel, hight, width）
 mean_npy = array[0]                                # 一个array中可以有多组均值存在，故需要通过下标选择其中一组均值
 np.save(MEAN_NPY_PATH ,mean_npy)