Caffe源码使用（一）------Blob基本用法

最新推荐文章于 2021-05-12 03:22:55 发布
最新推荐文章于 2021-05-12 03:22:55 发布
阅读量1.4k 收藏 1
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 深度学习 caffe 源码 文章标签： 源码 caffe 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/gzq0723/article/details/52960145
本文介绍Caffe框架中Blob的基本用法，作为深度学习学习者的重要参考资料。Blob作为Caffe的核心存储组件，用于存储4维数组数据。在实际使用中，创建Blob对象需要注意模板参数的设定，避免格式错误。文中分享了在编译和运行过程中可能遇到的问题及解决方案，包括CAFFE_ROOT变量的设置和错误修正。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

看到这个的时候，估计你也在学习caffe，嘿嘿！
Blob在内存中表示4维数组，维度从低到高为（width_，height_，channels_,num_）。Blob是caffe的基本存储单元，现在开始入手试试！

Blob是一个模板块，所以创建对象时需要制定模板参数。
在赵老师的书中，很简单就写成功，估计会有人出现一些错误。其实不是路径问题，是格式的问题，嘿嘿！

在你写好Blob模板类。生成可执行程序app的时候就会出现错误！
CAFFE_ROOT是您之前安转caffe的根目录。
原先是：

~/caffe$ g++ -o app blob_demo.cpp -I $CAFFE_ROOT/include/ -D CPU_ONLY -I $CAFFE_ROOT/
了解本专栏 订阅专栏 解锁全文
【Caffe】从C++的角度源码剖析深度学习框架Caffe -- Blob篇
Shwan_ma的博客
06-27 867
写在前面 本系列所剖析的caffe源码来自于master分支， commit: 9b891540。 本系列不会特别着重于深度学习的网络层构造的实现方式，而是从工程角度看C++的语言特性及设置。 首先介绍一下caffe的代码布局： 头文件放在： include //文件夹 而源文件则在： src/caffe/ //文件夹 这种设置的原因很简单，src文件的源码会被编译成库去被调用，而头文件的存在则作为api提供。 Blob类 Blob.hpp 1. 尽量以Const, enum, inline, 替换
3. caffe源码解读----layer.hpp、layer.cpp
liupc的学习笔记
06-27 434
一、include/caffe/layer.hpp 点击此处返回总目录 二、src/caffe/layer.cpp 一、layer.hpp Layer头文件位于include/caffe/l...
（Caffe）基本类Blob，Layer，Net（一）
沤江一流的专栏
04-07 1万+
本文地址：http://blog.youkuaiyun.com/mounty_fsc/article/details/51037006 Caffe中，Blob，Layer，Net，Solver是最为核心的类，以下介绍这几个类，Solver将在下一节介绍。1 Blob1.1 简介Blob是： 对待处理数据带一层封装，用于在Caffe中通信传递。 也为CPU和GPU间提供同步能力 数学上，是一个N维的C风格的存储数
21天实战caff--2 第8天 Caffe数据结构-Blob基本用法
zhangzhenyuancs的专栏
08-20 2206
Caffe 的万丈高楼（Net）是按照我们的设计图纸（prototxt），用Blob这些砖块筑程一层层（Layer）楼房，最后通过SGD方法（Solver）进行简装修（Train），精装修（Finetune）实现的。      Caffe使用成为Blob的4维数组用于存储和交换数据。Blob提供了统一的存储器接口，持有一批图像或者其他数据，权值，权值更新值。Blob在内存中表示4维数组，维度从低
caffe源码学习--blob基本用法（基于《21天实战caffe》）
xunan003的博客
05-25 1542
1、p102页编写blob_demo.cpp后g++编译生成app文件。 在赵老师的书中，很简单就写成功，估计会有人出现一些错误。其实不是路径问题，是格式的问题，嘿嘿！ 在你写好Blob模板类。生成可执行程序app的时候就会出现错误！  CAFFE_ROOT是您之前安转caffe的根目录。  原先是： ~/caffe$ g++ -o app blob_demo.cpp -I
linux cd $caffe root,Ubuntu 16.04安装Caffe并训练MNIST
weixin_36281055的博客
05-12 141
今天介绍一下如何在Ubuntu下安装Caffe并且训练MNIST。当然，第一手的资料同样来自于Caffe官网(http://caffe.berkeleyvision.org/)，Ubuntu版本是16.04，Caffe是CPU-ONLY的版本。Caffe安装通过下面的命令安装protobuf，leveldb，snappy，opencv，hdf5，boost依赖库，其中最需要注意的是hdf5。sud...
caffe blob类用法详解
denghe优快云的博客
09-18 1万+
此部分内容参考了三人的博客,写的东西有相同之处和不同之处,互相补充吧.       1. 转载链接:http://blog.youkuaiyun.com/chenriwei2/article/details/46367023       主要功能： Blob 是Caffe作为数据传输的媒介，无论是网络权重参数，还是输入数据，都是转化为Blob数据结构来存储，网络，求解器等都是直接与此结构打交道的。
caffe源码分析-layer
常思考->有目标->重实践->善反思
10-07 1514
本文主要分析caffe layer层，主要内容如下： 从整体上说明下caffe的layer层的类别，以及作用 通过proto定义与类Layer简要说明下Layer的核心成员变量; Layer类的核心成员函数 1. 类Layer overview caffe中的Layer主要分为如下几个模块： 输入层Data Layers Data Layers定义了caffe中网络的输入，依...
Caffe源码剖析3-InnerProduct层
深度学习，计算机视觉
07-10 5500
1.  对InnerProduct Layer的注释
caffe的学习之路－－－Blob的基本用法
MD_learning的博客
10-05 4396
首先，参考书籍《２１天实战caffe》 以前没有Ｃ＋＋基础，所以第一次看这本书时候觉得好垃圾； 现在有了Ｃ＋＋基础，再次看这本书，发现还是很值得学习。 在本文之前，我已经把官方tutorial看完。所以现在开始读源码，首先还是类模板Blob。 下面是自己将Ｂｌｏｂ写入磁盘，从磁盘读取内容存入Blob的程序，当然《２１天实战caffe》的源码。主要写给自己看。 首先先说几个Ｍｅｍｂ
caffe 中 BLOB的实现
junmuzi的专栏
07-12 2716
original url: http://blog.youkuaiyun.com/xizero00/article/details/50886829 一、前言 等着caffe没有膨胀到很大的程度把caffe的代码理一理 （1）第一次阅读Caffe的源码，给人的印象就是里面大量使用了gtest，确实也简化了不少代码，看起来很清晰。 （2）caffe的文档是使用doxygen
Caffe Blob Dtype理解
jyl1999xxxx的博客
01-02 6654
http://blog.luoyetx.com/2015/10/reading-caffe-2/ 关于Blob: Blob 在 Caffe 中扮演了重要的角色，用于存储数据和网络参数，同时也在 CPU 和 GPU 之间做了数据同步。Blob 原本在 Caffe 中被表示为一个 4 维数组 (num x channel x height x width)，现在可以表示多维数组，最高维
Blob工具基本使用
Major_S的博客
12-18 3445
乘法器的优化1
Caffe学习笔记(一)：CIFRA-10在Caffe上进行训练学习
Jack-Cui
03-28 9509
运行平台：Ubuntu14.04
caffe基本数据结构---blob
leibaojiangjun1的博客
12-12 6224
Caffe使用blob存储、交换、操纵这些信息。blob是整个框架的标准的数组结构和统一存储接口。 Blob是Caffe处理和传输的真实数据的包装类，同时它还隐含提供了在CPU和GPU之间同步数据的能力。在数学上，一个blob就是一个4维的数组，它是按照c语言风格存储的，即行优先。由于我们经常对blob的值和梯度感兴趣，所以blob存储了２块data和diff.前者是正常的传输数据，后者是网络计
caffe 提取特征并可视化（已测试可执行）及在线可视化
热门推荐
jiandanjinxin的专栏
12-26 3万+
参考主页： http://lijiancheng0614.github.io/2015/08/21/2015_08_21_CAFFE_Features/ http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb http://www.cnblogs.com/platero
Blob的基本用法
qq_28915885的博客
03-12 1万+
Blob简介 在caffe中Blob相当于tensorflow的tensor，即张量，是caffe框架中数据流的基本存储单位，caffe中关于数据的运算和存储都是基于Blob进行的。 Blob的使用 Blob是一个模板类，在创建对象时需要制定模板参数，例如： Blob<float> a;//声明一个Blob对象a cout<<"Size: "...
安装caffe后$CAFFE_ROOT下不存在build目录
weixin_39858105的博客
09-18 489
运行https://github.com/jetsonhacks/installCaffeJTX1/blob/master/installCaffeCuDNN.sh脚本在jetson tx1安装caffe，脚本执行结束后运行样例mnist，运行./examples/mnist/create_mnist.sh报错： ./examples/mnist/create_mnist.sh: 17: ./e...
mobilenet-ssd模型下载
最新发布
04-13
### 如何下载并使用 MobileNet-SSD 模型 #### 下载 MobileNet-SSD 模型 要获取 MobileNet-SSD 的预训练模型文件，可以访问官方或其他可信资源库。例如，在 Caffe Model Zoo 中提供了多种目标检测模型的预训练权重文件，其中包括 MobileNet-SSD[^1]。 可以通过以下链接直接下载 MobileNet-SSD 的预训练模型： - **Caffe Model Zoo**: [https://github.com/weiliu89/caffe/tree/ssd](https://github.com/weiliu89/caffe/tree/ssd) 在该页面中找到 `MobileNet-SSD` 预训练模型的相关说明文档以及 `.caffemodel` 文件和对应的配置文件（`.prototxt`）。这些文件对于加载模型至关重要。 如果希望基于论文版本进行操作，则可以从指定项目地址下载源码及相关依赖项： ```bash git clone https://gitcode.com/gh_mirrors/mo/Mobilenet-SSD-Essay cd Mobilenet-SSD-Essay ``` #### 使用 MobileNet-SSD 模型 为了成功部署 MobileNet-SSD 并执行推理任务，需完成以下几个方面的工作： ##### 安装必要的工具链 确保安装了支持 MobileNet-SSD 推理框架所需的环境。通常情况下，推荐使用 Caffe 或 TensorFlow 来加载模型。以下是针对 Caffe 的基本安装命令： ```bash sudo apt-get update && sudo apt-get install -y caffe-cpu python-opencv protobuf-compiler libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev pip install numpy scipy matplotlib scikit-image opencv-python h5py leveldb lmdb cython ``` ##### 加载模型与图像处理流程 一旦完成了上述准备工作，即可编写 Python 脚本来实现对象检测功能。下面是一个简单的代码示例用于演示如何加载 MobileNet-SSD 模型并对输入图片进行预测： ```python import cv2 import numpy as np # 初始化参数 model_path = 'path/to/deploy.prototxt' weights_path = 'path/to/mobilenet_iter_73000.caffemodel' net = cv2.dnn.readNetFromCaffe(model_path, weights_path) image = cv2.imread('input_image.jpg') (h, w) = image.shape[:2] # 创建 blob 数据 blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 0.007843, (300, 300), 127.5) # 设置网络输入并将前向传播结果保存到 detections 变量中 net.setInput(blob) detections = net.forward() for i in range(detections.shape[2]): confidence = detections[0, 0, i, 2] if confidence > 0.5: idx = int(detections[0, 0, i, 1]) box = detections[0, 0, i, 3:7] * np.array([w, h, w, h]) start_x, start_y, end_x, end_y = box.astype("int") label = f"{idx}: {confidence:.2f}" cv2.rectangle(image, (start_x, start_y), (end_x, end_y), (0, 255, 0), 2) y = start_y - 15 if start_y - 15 > 15 else start_y + 15 cv2.putText(image, label, (start_x, y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) cv2.imshow("Output", image) cv2.waitKey(0) ``` 此脚本实现了从读取图片到绘制边界框的过程，并展示了最终的结果窗口。 #### 性能优化建议 由于 MobileNet-SSD 是一种轻量化的目标检测方法，因此其性能表现很大程度取决于硬件条件。当应用于嵌入式平台时，可能需要进一步调整超参或者裁剪不必要的层来提升效率[^3]。 相关问题
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

打赏作者

计算机视觉研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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