#coding=utf-8
import os
import caffe
import numpy as np
root='/home/liuyun/caffe/' #根目录
deploy=root + 'examples/DR_grade/deploy.prototxt' #deploy文件
caffe_model=root + 'models/DR/model1/DRnet_iter_40000.caffemodel' #训练好的 caffemodel
import os
dir = root+'examples/DR_grade/test_512/'
filelist=[]
filenames = os.listdir(dir)
for fn in filenames:
fullfilename = os.path.join(dir,fn)
filelist.append(fullfilename)
# img=root+'data/DRIVE/test/60337.jpg' #随机找的一张待测图片
def Test(img):
net = caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network
#图片预处理设置
#设定图片的shape格式(1,3,28,28)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
#改变维度的顺序,由原始图片(28,28,3)变为(3,28,28)
transformer.set_transpose('data', (2,0,1))
#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
#加载图片
im=caffe.io.load_image(img)
#执行上面设置的图片预处理操作,并将图片载入到blob中
net.blobs['data'].data[...] = transformer.preprocess('data',im)
#执行测试
out = net.forward()
#读取类别名称文件
labels = np.loadtxt(labels_filename, str, delimiter='\t')
#取出最后一层(prob)属于某个类别的概率值,并打印,'prob'为最后一层的名称
prob= net.blobs['prob'].data[0].flatten()
print prob
order=prob.argsort()[4] #将概率值排序,取出最大值所在的序号 ,9指的是分为0-9十类
#argsort()函数是从小到大排列
print 'the class is:',labels[order] #将该序号转换成对应的类别名称,并打印
f=file("/home/liuyun/caffe/examples/DR_grade/label.txt","a+")
f.writelines(img+' '+labels[order]+'\n')
labels_filename = root +'examples/DR_grade/DR.txt' #类别名称文件,将数字标签转换回类别名称
for i in range(0, len(filelist)):
img= filelist[i]
Test(img)
caffe for python(0)
猜你喜欢
转载自blog.csdn.net/qq_18644873/article/details/84585641
今日推荐
周排行