利用训练好的参数模型对图片进行分类

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


利用词袋模型和支持向量机(SVM)进行图片分类是一种常见的机器学习方法。词袋模型是一种将文本数据转换成向量表示的技术,在图片分类任务中,可以将图片的特征提取为文本表示。而SVM是一种二分类模型,可以将词袋模型表示的特征向量作为输入进行训练和预测。 首先,对于图片分类任务,需要先进行特征提取。可以使用像素直方图、颜色直方图、纹理特征等方法来提取图片的特征。将提取到的特征转换成文本表示的方法可以采用词袋模型。将所有图片的特征向量合并,得到一个特征向量库。 然后,将特征向量库作为输入,构建SVM分类模型进行训练。在训练过程中,将每个图片的特征向量与其对应的类别标签作为训练样本,通过调整SVM模型的超参数,使其在训练集上拟合最好。 训练完成后,可以使用SVM模型对新的图片进行分类预测。将新图片的特征提取为特征向量,并使用训练好的SVM模型进行预测。根据预测结果,可以判断图片属于哪个类别。 词袋模型和SVM分类器在图片分类任务中的优势是可以处理高维度的特征向量,具有较好的分类效果和泛化能力。同时,词袋模型可以提取有效的特征信息,而SVM模型可以对特征进行有效的分类和分割。这两种方法的结合可以提高图片分类任务的准确性和鲁棒性。 总结来说,利用词袋模型和SVM进行图片分类,首先提取图片的特征向量表示,然后使用SVM模型进行训练和预测。这种方法具有一定的实用性和性能,可以应用于一些图片分类任务中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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