caffe做的分类识别

model2005

关注

原创 2022-04-28 19:43:40 753 阅读 AI 写同款· GEO 优化 ›

Caffe简明教程5：训练你的第一个Caffe模型-MNIST分类器您可以查看所有文章的索引：Caffe简明教程0：文章列表如果你已经根据前面几篇文章成功地编译了Caffe，那么现在是时候训练你的第一个模型了。我准备借用Caffe官网的LeNet例子来写这篇文章，您也可以访问原始的文档：Training LeNet on MNIST with Caffe Caffe在编译完成之后，在caffe根目录下有个examples文件夹，里面包含了很多Caf 阅读详情

2017年春节入坑DP，学着caffe做了一个杂草小苗的APP，模型和功能均在云端。

pypic.py

#!/usr/bin/env python
#-*-coding:utf-8-*-

import numpy as np
import sys,os
import re

# 设置当前的工作环境在caffe下
caffe_root = 'caffe/caffe-master/'
# 我们也把caffe/python也添加到当前环境
sys.path.insert(0, caffe_root + 'python')
sys.path.insert(0, caffe_root + 'python/caffe')
# os.environ['GLOG_minloglevel'] = '2'

import caffe
os.chdir(caffe_root)#更换工作目录

#GPU模式
#caffe.set_device(0) # 如果你有多个GPU，那么选择第一个
caffe.set_mode_cpu()

# 设置网络结构
net_file=caffe_root + 'examples/flower/deploy.prototxt' #现成的
# 添加训练之后的参数
caffe_model=caffe_root + 'examples/flower/snapshot_iter_40000.caffemodel'
# 均值文件
mean_file=caffe_root + 'examples/flower/ilsvrc_2012_mean.npy'

# 这里对任何一个程序都是通用的，就是处理图片
# 把上面添加的两个变量都作为参数构造一个Net
net = caffe.Net(net_file,caffe_model,caffe.TEST)

# 得到data的形状，这里的图片是默认matplotlib底层加载的
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
# matplotlib加载的image是像素[0-1],图片的数据格式[weight,high,channels]，RGB
# caffe加载的图片需要的是[0-255]像素，数据格式[channels,weight,high],BGR，那么就需要转换

# channel 放到前面
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
# 图片像素放大到[0-255]
transformer.set_raw_scale('data', 255)
# RGB-->BGR 转换
transformer.set_channel_swap('data', (2,1,0))

# print "input image" + sys.argv[1]
# 这里才是加载图片
#im=caffe.io.load_image(caffe_root+'examples/flower/jpg/zshuhe055.jpg')
im=caffe.io.load_image(sys.argv[1])

# 用上面的transformer.preprocess来处理刚刚加载图片
net.blobs['data'].data[...] = transformer.preprocess('data',im)

#注意,网络开始向前传播啦
output = net.forward()
# 最终的结果: 当前这个图片的属于哪个物体的概率(列表表示)
output_prob = output['prob'][0]

# 找出最大的那个概率
# print 'predicted class is:', output_prob.argmax()

# 也可以找出前五名的概率
top_inds = output_prob.argsort()[::-1][:5]

# 最后加载数据集进行验证
imagenet_labels_filename = caffe_root + 'examples/flower/synset_words.txt'
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')

# print 'probabilities and labels:'
# zip(output_prob[top_inds], labels[top_inds])

top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]
#for i in np.arange(top_k.size):
# print labels[top_k[i]]

with open("pestTemp.txt", "w") as f:
# f.write(''.join(labels[top_k[0]])+';'.join(labels[top_k[1]])+';'.join(labels[top_k[2]])+';'.join(labels[top_k[3]])+';'.join(labels[top_k[4]]))
f.write(labels[top_k[0]]+';'+labels[top_k[1]]+';'+labels[top_k[2]]+';'+labels[top_k[3]]+';'+labels[top_k[4]])

upImgAi.php

date_default_timezone_set('Asia/Shanghai');
require_once('../include/DbMysqli.php');//BbsDbclass
require_once("PYClass.php");

//post 传值
$tblId = $_POST['tblId'];
$act = $_POST['act'];
$imgtxt = $_POST['imgtxt'];
$UpPest = $_POST['UpPest'];
$recId = $_POST['recId'];
$UpLoc = $_POST['UpLoc'];

$UpImgName = $_FILES["image"]["name"];
$UpAiDir = 'caffe/caffe-master/examples/flower/AiImg/';
if(!file_exists($UpAiDir)) {
mkdir($UpAiDir); //新建文件夹
}

UpImgFile($UpImgName,$UpAiDir);//上传图片到指定目录

$pestImg = $UpAiDir.$UpImgName;
system("python pypic.py ".$pestImg, $ret);

$pyDlFile = "caffe/caffe-master/pestTemp.txt"; //结果

if(file_exists($pyDlFile)){ //文件内容读入到字符串
$dlStr = file_get_contents($pyDlFile);
$dlStr = preg_replace('|[0-9]+|','',$dlStr);
$dlPestArr = explode(";",$dlStr); //诊断结果数组
AiJson($dlPestArr);
}

function UpImgFile($TempName,$UpAiDir){//上传图片移到指定目录
   if(move_uploaded_file($_FILES['image']['tmp_name'], $UpAiDir.$TempName)){
       //echo "The file ".basename($TempName)." has been uploaded successful.";
   }else{
       echo "Sorry, there was a problem uploading your file.failed";
   }
}