Caffe图像分类之测试
来源:互联网 发布:简述波士顿矩阵分析法 编辑:程序博客网 时间:2024/05/24 06:53
本代码使用Python对caffe框架下的训练模型进行测试,借鉴了网上其他的测试例子,有不足之处,敬请指教!
import numpy as np
import sys,os
caffe_root = ‘/home/xxx/caffe/’ #根目录
sys.path.insert(0, caffe_root + ‘python’)
import caffe
os.chdir(caffe_root)
net_file=’path_to_your_deploy/deploy.prototxt’
caffe_model=’path_to_your_caffemodel/caffemodel’
mean_file=’path_to_your_mean_file/mean.npy’
net = caffe.Net(net_file,caffe_model,caffe.TEST)
transformer = caffe.io.Transformer({‘data’: net.blobs[‘data’].data.shape})
transformer.set_transpose(‘data’, (2,0,1))
transformer.set_mean(‘data’, np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale(‘data’, 255)
transformer.set_channel_swap(‘data’, (2,1,0))
test.txt中存放了测试集中的图片以及其标签,如 A.jpeg 2
labelfile = open(“path_to_your_test_picture_label/test.txt”)
labelstr = labelfile.read()
测试集路径
path = “path_to_test/test/”
files = os.listdir(path)
right = 0.0 #正确个数
sum = 0.0 #测试集大小
for file in files:
temp = “”
im=caffe.io.load_image(path+file)
net.blobs[‘data’].data[…] = transformer.preprocess(‘data’,im)
out = net.forward()
#若你的分类为8分类,则将7改为8,prob为网络输出层的名称,改为自己使用的网络的输出层名称
top = net.blobs[‘prob’].data[0].flatten().argsort()[7]
temp = str(file)+” “+str(top)
if labelstr.find(temp) != -1:
right = right +1
sum = sum +1
print right
print right/sum #打印准确率
- Caffe图像分类之测试
- Caffe模型测试之分类错误分析
- caffe for Windows图像分类训练、测试实例
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型VGG解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型VGG解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- [caffe]深度学习之图像分类模型AlexNet解读
- caffe应用-01灰度图像分类之手写体数字识别
- caffe之分类
- caffe python接口 测试分类:
- T9-智能拼音
- EventBus 3.0的使用
- linux cpu数物理核逻辑核的查看方法及线程进程的绑定方法
- Maven入门
- C/C++程序的编译链接过程
- Caffe图像分类之测试
- iOS--GCD(使用dispatch_group来进行线程同步)
- andriid基础用户登录验证,弹窗,设置标题(详解)
- C++中容器总结
- 对比代码托管平台
- 更改MySQL数据库的编码为utf8mb4(可插入表情字符)
- Maven-7:Maven配置编译的字符集方法
- ehcache和redis的浅谈
- 监视画面普适的Web发布、浏览技术