python调用caffe实现预测

对于已经训练完成的caffemodel，对于单个的图片预测，用python接口来调用是一件非常方便的事情，下面就来讲述如何用python调用已经训练完成的caffemodel，以及prototxt，网上关于这一方面的教程已经是比较多的了，但是我想针对我做的过程发现的一些问题做一个总结

，先给出几个用python调用caffemodel的链接，链接1，链接2，链接3，主要是参考链接1的内容，整体代码如下，

 #coding=utf-8
 import sys
 import numpy as np
 import cv2
 from glob import glob
 from tqdm import tqdm
 caffe_root = '/usr/local/caffe/'
 sys.path.insert(0, caffe_root + 'python')
 import caffe
 import multiprocessing

 model_file = '/home/ying/data2/shiyongjie/mpc/res50/acc/resnet_50_deploy.prototxt'  # deploy文件
 pretrained = '/home/ying/data2/shiyongjie/mpc/res50/acc/model_iter_280000.caffemodel'  # 训练的caffemodel
 image_file = '/home/ying/data2/shiyongjie/mpc/coal_data/0/output/0_ffff4083-a13a-4e62-9870-59cd70709f7c.JPEG'
 mean_file = '/home/ying/data2/shiyongjie/mpc/coal_data/mean_train.npy'
 net = caffe.Net(model_file, pretrained, caffe.TEST)   #加载model和network

 #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(1,3,28,28)
 transformer.set_transpose('data', (2,0,1))    #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28)
 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

 print('#$%^&#@*!')
 image_file_list = glob('/home/ying/data2/shiyongjie/mpc/coal_data/0/output/*JPEG')  # 列出目录下的所有jpeg图片
 image_file_list.sort()
 image_file_list = image_file_list[:len(image_file_list)/2]  # 速度预测非常慢，将list拆分
 # pool = multiprocessing.Pool(processes = 4)
 results = []
 for image_file in tqdm(image_file_list):  # tqdm显示进度条
     im = caffe.io.load_image(image_file)
     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
     out = net.forward()
     top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]
     results.append(top_k[0])  # 将预测的结果保存到results中
     # print(top_k[0])
     # for i in np.arange(top_k.size):
     #    print top_k[i]
 acc0 = float(results.count(0))/float(len(image_file_list))  # 计算预测四类结果的概率
 acc1 = float(results.count(1))/float(len(image_file_list))
 acc2 = float(results.count(2))/float(len(image_file_list))
 acc3 = float(results.count(3))/float(len(image_file_list))
 print(acc0, acc1, acc2, acc3)

这里其实有很多细节的问题，先给自己挖个坑，主要有，deploy文件与一般的train_val.prototxt文件有些许不同，看上面第三个链接，他们加载prototxt的是lenet.prototxt，去caffe/example/mnist/lenet.prototxt查看这个文件，如下

实际上左边是deploy的，右边是train_val的，可以看出左右的区别就是地一层，右边train和test都是data层，左边是input层，其余全都一样，所以deploy也是很有讲究的，mnist是在训练的时候就没有减去均值，测试的时候加载均值文件在python内部写，见上述代码

实际上，我测试用的deploy与mnist又有些许不同，如下

同时修改最后一行

我用的resnet基本上lr以及权重初始化的参数都已经取消了，最后一个name用prob，测试的时候输出的是预测为每一类的概率，在python最后的输出net.blobs['prob']也能够看出，感觉是个字典，给自己挖个坑

可以看出，deploy文件与train_val文件是有很大的不同的，这种不同可能与平台无关，在python是这样，在c++也可能是这样

但是用python调用速度非常慢，这样说吧，5w张图片要6个小时，速度相当慢，我一个同学，用c++调用同样的caffemodel200张图片，0.4s，5w张图片100s就搞定