【caffe-Windows_3】cifar实例编译之model的使用

最新推荐文章于 2025-05-18 14:49:05 发布
转载 最新推荐文章于 2025-05-18 14:49:05 发布 · 363 阅读 · 0

本文介绍如何使用预训练的CIFAR模型对下载的图片进行分类，包括准备标签文件、设置bat文件及测试准确率等步骤。
转载自：http://blog.youkuaiyun.com/zb1165048017/article/details/51483206 
本文讲解如何对网上下载的一个图片利用训练好的cifar模型进行分类

第一步

上一篇文章训练好以后会得到两个文件

从网上查阅资料解释来看，第一个caffemodel是训练完毕得到的模型参数文件，第二个solverstate是训练中断以后，可以用此文件从中断地方继续训练(具体使用方法目前尚未测试)

caffemodel的百度云地址：链接：http://pan.baidu.com/s/1sl6nPXb 密码：omow

第二步

新建一个代表cifar10数据标签txt文件，放在examples下的cifar10文件夹内，本文采用名称为synset_words的txt文件，内容如下：

从网上随便下载一个图片，但是注意，最好是cifar里面包含的种类，当然也可以下载其他的，不过分类得到的标签肯定不对，因为训练得到的模型不包含此种类。

比如我下载了一只猫：

第三步

使用模型进行分类，建立一个bat文件，比如我在E:\caffeDEV1\caffe-windows\Build\x64\Release下[同样可以在debug下]建立classification.bat，内容如下
[html] view plain copy
print ?
  1. classification.exe E:\caffeDEV1\caffe-windows\examples\cifar10\cifar10_quick.prototxt E:\caffeDEV1\caffe-windows\examples\cifar10\cifar10_quick_iter_4000.caffemodel.h5 E:\caffeDEV1\caffe-windows\examples\cifar10\mean.binaryproto E:\caffeDEV1\caffe-windows\examples\cifar10\synset_words.txt E:\caffeDEV1\caffe-windows\examples\cifar10\dog.jpg  
  2. pause  
classification.exe E:\caffeDEV1\caffe-windows\examples\cifar10\cifar10_quick.prototxt E:\caffeDEV1\caffe-windows\examples\cifar10\cifar10_quick_iter_4000.caffemodel.h5 E:\caffeDEV1\caffe-windows\examples\cifar10\mean.binaryproto E:\caffeDEV1\caffe-windows\examples\cifar10\synset_words.txt E:\caffeDEV1\caffe-windows\examples\cifar10\dog.jpg
pause
如果你建立在其他地方，请注意你的路径。bat的格式为XX/XX/classification.exe  xx/xx/网络结构(cifar10_quick.prototxt) XX/XX/训练好的模型(.caffemodel.h5)  XX/XX/均值文件 XX/XX/下载的图片 (XX/XX代表路径 )

第四步

也就说最后一步，直接运行这个bat文件，双击就行，得到如下结果

【注】我在其中一个地方卡了很久，千万千万不要把modelcaffe.h5的后缀改为modelcaffe，也就是说，千万别删掉了h5，我一直以为调用cifar10_quick_iter_4000.caffemodel，结果呵呵了，卡了一下午

第五步

第四步实现得是单张图片的识别。第五步则对测试集进行准确率的分批测试
直接在E:\caffeDEV1\caffe-windows下建立一个bat文件(test_cifar.bat)，内容如下：
[html] view plain copy
print ?
  1. .\Build\x64\Release\caffe.exe test –model=examples/cifar10/cifar10_quick_train_test.prototxt -weights=examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5 -gpu=0  
  2. pause  
.\Build\x64\Release\caffe.exe test --model=examples/cifar10/cifar10_quick_train_test.prototxt -weights=examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5 -gpu=0
pause
【PS】注意，如果出现“cannot use GPU in CPU-only caffe :check mode.check failure stack trace.”问题，去掉后面的-gpu=0即可，代表使用CPU测试。
运行之后效果如下：
synset_words.txt
12-26
ImageNet中分类的类别数目，包括各种相近的类别。
【caffe-Windows】cifar实例编译之model的生成-附件资源
03-05
【caffe-Windows】cifar实例编译之model的生成-附件资源
3【caffe-Windows】cifar实例编译之model的使用
liuweizj12的博客
09-21 657
本文讲解如何对网上下载的一个图片利用训练好的cifar模型进行分类 第一步 上一篇文章训练好以后会得到两个文件 从网上查阅资料解释来看，第一个caffemodel是训练完毕得到的模型参数文件，第二个solverstate是训练中断以后，可以用此文件从中断地方继续训练(具体使用方法目前尚未测试) 第二步 新建一个代表cifar10数据标签txt文件，放在examples下的cifar1
【caffe-Windows】cifar实例编译之model的生成
热门推荐
风翼冰舟的博客
11-25 1万+
参考：http://blog.youkuaiyun.com/chengzhongxuyou/article/details/50715455 准备工作 按照之前的教程，成功生成过caffe，并且编译整个caffe.sln项目工程，在\caffe-master\Build\x64\Debug生成了一堆exe文件，后面会使用到除了caffe.exe的另外一个exe 【PS】很多VS安装过程中出现问题的，
从零开始学caffe（七）：利用GoogleNet实现图像识别
Yolo的博客
10-24 6518
一、准备模型 在这里，我们利用已经训练好的Googlenet进行物体图像的识别，进入Googlenet的GitHub地址，进入models文件夹，选择Googlenet 点击Googlenet的模型下载地址下载该模型到电脑中。 模型结构 在这里，我们利用之前讲到的网络模型绘制网站画出Googlenet的结构图如下： 在这里，pad就是给图像补零，pad:2就是补两圈零的意思； LRN就...
PyTorch模型转ONNX量化模型
新缸中之脑
09-23 1813
你是否发现模型太大，无法部署在你想要的云服务上？或者你是否发现 TensorFlow 和 PyTorch 等框架对于你的云服务来说太臃肿了？ONNX Runtime 可能是你的救星。如果你的模型在 PyTorch 中，你可以轻松地在 Python 中将其转换为 ONNX，然后根据需要量化模型（对于 TensorFlow 模型，你可以使用 tf2onnx）。ONNX Runtime 是轻量级的，量化可以减小模型大小。
ImageNet标签文件(synset_words.txt)
11-08
官方ImageNet标签文件synset_words.txt，用于caffe模型对图片进行分类、识别使用的标签参考。
GoogLeNet的语义标签文件synset_words.txt解析
最新发布
weixin_33660045的博客
05-18 780
在深度学习领域中，GoogLeNet模型作为卷积神经网络的一种架构，开创了Inception模块的先河，引领了深度模型的创新。本章节将从GoogLeNet的历史背景出发，探究其基本的网络结构以及独特的设计原则。首先，我们会解释GoogLeNet模型的命名由来，它是由Google团队在2014年提出的一种网络模型，以其出色的图像分类性能赢得了当年的ImageNet挑战赛。随后，我们会讨论该模型的核心创新点——Inception结构，它如何通过多尺度的卷积操作来提升网络的表征能力。
caffe应用-01灰度图像分类之手写体数字识别
Terrenceyuu的博客
08-03 2239
caffe应用-01灰度图像分类之手写体数字识别 很多情况下，我们去做图像的分类可能和图像的颜色没有太大的关系，像手写体识别，人脸识别等。 mnist的这个例子是caffe官方自带的，他的数据源包括60000张的训练数据以及10000张的测试数据。其中，每张都是大小为28*28像素的单通道（灰度值为0-255）图片。 1.制作lmdb数据源 将所需图片文件夹（tain和test）下载后放在一个文件夹
ImageNet验证集数据处理
qq_44781881的博客
11-20 540
ImageNet数据集的验证集处理
caffe之ilsvrc12：synset_word.txt
11-08
caffe中ilsvrc12标签文件synset_words.txt，用于加载ImageNet标签
caffe图像分类，需要输入的4个文件
07-17
网络结构deploy.prototxt 模型bvlc_reference_caffenet.caffemodel 图像均值文件imagenet_mean.binaryproto 标签文件synset_words.txt
data/ilsvrc12/synset_words.txt
04-27
Caffe for Python学习中，最后加载数据集进行验证文件
synset_words
02-01
caffe例子中需要的验证文件
Linux下使用Caffe对图片进行训练并分类的简单流程
lien0906的专栏
07-13 3025
step 1.      首先，确保caffe已经正确安装，并且make runtest基本通过。   step 2.      准备训练集：         在训练之前，要准备训练需要的训练集，为了验证训练的效果，最好也准备一定数量的测试集。由于caffe的数据集的输入是leveldb格式，因此在训练前需要将输入转为相应格式。         在caffe_root/example
使用预训练模型对图像进行分类
长飞哥的专栏
12-22 4061
这里介绍的是直接用训练好的分类任务的预训练模型来测试。当然caffe提供了几种方法进行测试。这里介绍两种： 1、直接调用工具 2、基于python接口。 第一种： 使用编译好的calssification工具测试，可以用以下命令： # sudo ./build/examples/cpp_classification/classification.bin \ models/bvl
synset_words.txt caffe Labels
09-20
最新最权威synset_words.txt，可用于OpenCV dnn模块caffe模型对图片进行分类，识别，做迁移学习，强化学习使用的标签参考。
-dCMAKE_TOOLCHAIN_FILE
03-30
### 关于 CMake 工具链文件的配置 工具链文件（Toolchain File）用于指定交叉编译环境中的目标平台、编译器和其他构建选项。通过创建并设置 `CMAKE_TOOLCHAIN_FILE` 变量，可以自定义 CMake 的行为以适应特定的目标硬件架构。 #### 配置工具链文件的关键要素 以下是工具链文件的主要组成部分及其作用： 1. **系统名称和处理器** 定义目标系统的操作系统和处理器类型。这可以通过设置变量 `CMAKE_SYSTEM_NAME` 和 `CMAKE_SYSTEM_PROCESSOR` 来完成[^4]。 ```cmake set(CMAKE_SYSTEM_NAME Linux) set(CMAKE_SYSTEM_PROCESSOR arm) ``` 2. **编译器路径** 明确指定使用的编译器路径。对于 Java 开发而言，可能需要集成 JNI（Java Native Interface），因此需确保支持跨语言调用的编译器被正确定位[^5]。 ```cmake set(CMAKE_C_COMPILER /path/to/cross/compiler/gcc) set(CMAKE_CXX_COMPILER /path/to/cross/compiler/g++) ``` 3. **库和头文件目录** 如果项目依赖外部库（如 OpenCV 或其他第三方库），则应在工具链文件中声明这些资源的位置。例如，在处理图像识别时可能会涉及多个模块加载[^6]。 ```cmake link_directories(/usr/local/lib) include_directories(/usr/local/include/opencv4) ``` 4. **强制汇编程序编译器** 对于某些版本较低的 CMake (< 2.8.5)，可能需要显式设定 ASM 编译器来满足需求[^7]。 ```cmake enable_language(ASM) set(CMAKE_ASM_COMPILER "nasm") # 替换为实际使用的汇编器名 ``` 5. **验证更新后的状态** 当修改完毕后，应当再次执行 CMake 命令确认无误警告信息显示出来[^8]。 ```bash cmake .. ``` #### 使用 Java 调用原生代码实例 当希望采用 Java 实现类似功能时，可通过 JNI 接口实现交互操作。下面给出一段简单的例子展示如何初始化以及释放内存空间等基本流程[^9]: ```java public class QRCodeDetector { static { System.loadLibrary("native-lib"); } private long nativePtr; public QRCodeDetector() { this.nativePtr = createQRCodeDetector(); } protected void finalize() throws Throwable { try { destroyQRCodeDetector(nativePtr); } finally { super.finalize(); } } public String detect(String imagePath) { return doDetect(nativePtr, imagePath); } private native long createQRCodeDetector(); private native void destroyQRCodeDetector(long ptr); private native String doDetect(long ptr, String path); } ``` 对应 C++ 中部分逻辑如下所示: ```cpp extern "C" JNIEXPORT jlong JNICALL Java_QRCodeDetector_createQRCodeDetector(JNIEnv *env, jobject thiz){ auto detector = new cv::wechat_qrcode::WeChatQRCode("model.prototxt", "model.caffemodel"); return reinterpret_cast<jlong>(detector); } extern "C" JNIEXPORT void JNICALL Java_QRCodeDetector_destroyQRCodeDetector(JNIEnv *env, jobject thiz, jlong ptr){ delete reinterpret_cast<cv::wechat_qrcode::WeChatQRCode*>(ptr); } extern "C" JNIEXPORT jstring JNICALL Java_QRCodeDetector_doDetect(JNIEnv* env, jobject thiz, jlong ptr, jstring imgPath){ const char* utf_string = env->GetStringUTFChars(imgPath, nullptr); Mat image = imread(utf_string); vector<String> results; reinterpret_cast<cv::wechat_qrcode::WeChatQRCode*>(ptr)->detectAndDecode(image, results); if (!results.empty()) { return env->NewStringUTF(results[0].c_str()); } else { return env->NewStringUTF(""); } } ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值