利用训练好的参数模型对图片进行分类

最新推荐文章于 2025-06-24 09:50:10 发布

原创最新推荐文章于 2025-06-24 09:50:10 发布 · 2.2k 阅读

2 ·

CC 4.0 BY-SA版权

图像处理同时被 2 个专栏收录

24 篇文章

订阅专栏

python

4 篇文章

订阅专栏

本文介绍如何利用Caffe深度学习框架加载已训练好的LeNet模型，对MNIST手写数字数据集中的图像进行预测。通过具体代码示例展示了从部署文件加载模型、预处理图像数据到输出预测结果的全过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import caffe

import numpy as np

root='/home/lrj/Caffe/caffe-master/' #根目录

deploy=root + 'examples/myMnist/lenet.prototxt' #deploy文件

caffe_model=root + 'examples/myMnist/_iter_3000.caffemodel' #训练好的 caffemodel

img=root+'examples/image/img_1.jpg' #随机找的一张待测图片

labels_filename = root + 'examples/myMnist/numLabel.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

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

im=caffe.io.load_image(img)                   #加载图片
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()

labels = np.loadtxt(labels_filename, str, delimiter='\t')   #读取类别名称文件

prob= net.blobs['prob'].data[0].flatten()
print prob
order=prob.argsort()[-1] #将概率值排序，取出最大值所在的序号
print 'the class is:',labels[order]

输出结果：

[ 0.  0.  0.  0.  0.  0.  0.  0.  0.  1.  0.  0.  0.  0.  0.  0.  0.  0.
  0.  0.  0.  0.  0.  0.  0.  0.]
the class is: 武 9