Windows下用VS2013加载caffemodel做图像分类

来源：互联网发布：淘宝三际数码怎么样编辑：程序博客网时间：2024/05/17 09:27

本文假设你已经安装CUDA，CUDA版本是7.5。

1.编译caffe的Windows版本

happynear的博客已经介绍了如何在windows下编译caffe，这里把我自己编译的过程记录下来，也算是做做笔记，方便以后查看。

1.1下载caffe-windows-master

下载地址：caffe-windows-master

1.2下载第三方库

下载地址：3rdparty

1.3 解压

解压第三方库3rdparty，解压到caffe-windows-master中的3rdparty文件夹中，即caffe-windows-master/3rdparty中的内容为：

！！！然后，需要将bin文件夹加入环境变量中。

当然，如果嫌麻烦，下载我解压好的文件就行，跳过以上过程，下载该文件，下载地址：点击这里。

1.4 开始编译

双击caffe-windows-master\src\caffe\proto\extract_proto.bat，生成caffe.pb.h和caffe.pb.cc两个c++文件，和caffe_pb2.py这个python使用的文件。然后，用vs2013打开./buildVS2013/MainBuilder.sln，打开之后切换编译模式至Release X64模式。如果你的CUDA版本不是7.5，打开之后可能显示加载失败，这时就要用记事本打开./buildVS2013/MSVC/MainBuilder.vcxproj，搜索CUDA 7.5，把这个7.5换成你自己的CUDA版本，就可以正常打开了。

右键caffelib项目，配置属性——>常规，将配置类型修改为应用程序(.exe)，目标文件扩展名修改为.exe；接着：

C/C++ ——> 常规，附加包含目录修改如下（CUDA路径按自己的修改）：

[plain] view plain copy
../../3rdparty/include  
../../src  
../../include  
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include  

链接器 ——> 常规，附加库目录修改如下（CUDA路径按自己的修改）：

[plain] view plain copy
../../3rdparty/lib  

[plain] view plain copy
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64  

链接器——>输入；将cudnn64_65.lib修改成cudnn.lib

如果需要matlab和python接口，可参考如下设置(路径按自己的设置)：

Matcaffe项目：

附加包含目录：

[plain] view plain copy
../../3rdparty/include  
../../src  
../../include  
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include  
D:\Program Files\MATLAB\R2014a\extern\include  

附加库目录：

[plain] view plain copy
../../3rdparty/lib  
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64  
D:\Program Files\MATLAB\R2014a\extern\lib\win64\microsoft  

Pycaffe项目：

附加包含目录：

[plain] view plain copy
../../3rdparty/include  
../../src  
../../include  
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include  
D:\Python27\include  
D:\Python27\Lib\site-packages\numpy\core\include  

附加库目录：

[plain] view plain copy
../../3rdparty/lib  
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64  
D:\Python27\libs  

2.修改classification.cpp代码

右键caffelib，添加新建项classification.cpp，classification.cpp代码可参考如下：

该代码逐张读取文件夹下的图像并将分类结果显示在图像左上角，空格下一张。

结果显示在左上角，有英文和中文两种标签可选，如果显示中文，需要使用Freetype库，请自行百度。

[plain] view plain copy
#include <caffe/caffe.hpp>  
#include <opencv2/core/core.hpp>  
#include <opencv2/highgui/highgui.hpp>  
#include <opencv2/imgproc/imgproc.hpp>  
#include <iosfwd>  
#include <memory>  
#include <utility>  
#include <vector>  
#include <iostream>  
#include <string>  
#include <sstream>  
#include "CvxText.h" //英文标签去掉该头文件  
  
using namespace caffe;  // NOLINT(build/namespaces)  
using std::string;  
/* Pair (label, confidence) representing a prediction. */  
typedef std::pair<string, float> Prediction;  
  
class Classifier {  
public:  
    Classifier(const string& model_file,  
        const string& trained_file,  
        const string& mean_file,  
        const string& label_file);  
  
    std::vector<Prediction> Classify(const cv::Mat& img, int N = 5);  
  
private:  
    void SetMean(const string& mean_file);  
  
    std::vector<float> Predict(const cv::Mat& img);  
  
    void WrapInputLayer(std::vector<cv::Mat>* input_channels);  
  
    void Preprocess(const cv::Mat& img,  
        std::vector<cv::Mat>* input_channels);  
  
private:  
    shared_ptr<Net<float> > net_;  
    cv::Size input_geometry_;  
    int num_channels_;  
    cv::Mat mean_;  
    std::vector<string> labels_;  
};  
  
Classifier::Classifier(const string& model_file,  
    const string& trained_file,  
    const string& mean_file,  
    const string& label_file) {  
#ifdef CPU_ONLY  
    Caffe::set_mode(Caffe::CPU);  
#else  
    Caffe::set_mode(Caffe::GPU);  
#endif  
  
    /* Load the network. */  
    net_.reset(new Net<float>(model_file, TEST));  
    net_->CopyTrainedLayersFrom(trained_file);  
  
    CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";  
    CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";  
  
    Blob<float>* input_layer = net_->input_blobs()[0];  
    num_channels_ = input_layer->channels();  
    CHECK(num_channels_ == 3 || num_channels_ == 1)  
        << "Input layer should have 1 or 3 channels.";  
    input_geometry_ = cv::Size(input_layer->width(), input_layer->height());  
  
    /* Load the binaryproto mean file. */  
    SetMean(mean_file);  
  
    /* Load labels. */  
    std::ifstream labels(label_file);  
    CHECK(labels) << "Unable to open labels file " << label_file;  
      
    string line;  
    while (std::getline(labels, line))  
        labels_.push_back(string(line));  
  
    Blob<float>* output_layer = net_->output_blobs()[0];  
    CHECK_EQ(labels_.size(), output_layer->channels())  
        << "Number of labels is different from the output layer dimension.";  
}  
  
static bool PairCompare(const std::pair<float, int>& lhs,  
    const std::pair<float, int>& rhs) {  
    return lhs.first > rhs.first;  
}  
  
/* Return the indices of the top N values of vector v. */  
static std::vector<int> Argmax(const std::vector<float>& v, int N) {  
    std::vector<std::pair<float, int> > pairs;  
    for (size_t i = 0; i < v.size(); ++i)  
        pairs.push_back(std::make_pair(v[i], i));  
    std::partial_sort(pairs.begin(), pairs.begin() + N, pairs.end(), PairCompare);  
  
    std::vector<int> result;  
    for (int i = 0; i < N; ++i)  
        result.push_back(pairs[i].second);  
    return result;  
}  
  
/* Return the top N predictions. */  
std::vector<Prediction> Classifier::Classify(const cv::Mat& img, int N) {  
    std::vector<float> output = Predict(img);  
  
    std::vector<int> maxN = Argmax(output, N);  
    std::vector<Prediction> predictions;  
    for (int i = 0; i < N; ++i) {  
        int idx = maxN[i];  
        predictions.push_back(std::make_pair(labels_[idx], output[idx]));  
    }  
  
    return predictions;  
}  
  
/* Load the mean file in binaryproto format. */  
void Classifier::SetMean(const string& mean_file) {  
    BlobProto blob_proto;  
    ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);  
  
    /* Convert from BlobProto to Blob<float> */  
    Blob<float> mean_blob;  
    mean_blob.FromProto(blob_proto);  
    CHECK_EQ(mean_blob.channels(), num_channels_)  
        << "Number of channels of mean file doesn't match input layer.";  
  
    /* The format of the mean file is planar 32-bit float BGR or grayscale. */  
    std::vector<cv::Mat> channels;  
    float* data = mean_blob.mutable_cpu_data();  
    for (int i = 0; i < num_channels_; ++i) {  
        /* Extract an individual channel. */  
        cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);  
        channels.push_back(channel);  
        data += mean_blob.height() * mean_blob.width();  
    }  
  
    /* Merge the separate channels into a single image. */  
    cv::Mat mean;  
    cv::merge(channels, mean);  
    /* Compute the global mean pixel value and create a mean image  
    * filled with this value. */  
    cv::Scalar channel_mean = cv::mean(mean);  
    mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);  
}  
std::vector<float> Classifier::Predict(const cv::Mat& img) {  
    Blob<float>* input_layer = net_->input_blobs()[0];  
    input_layer->Reshape(1, num_channels_,  
        input_geometry_.height, input_geometry_.width);  
    /* Forward dimension change to all layers. */  
    net_->Reshape();  
    std::vector<cv::Mat> input_channels;  
    WrapInputLayer(&input_channels);  
  
    Preprocess(img, &input_channels);  
  
    net_->ForwardPrefilled();  
  
    /* Copy the output layer to a std::vector */  
    Blob<float>* output_layer = net_->output_blobs()[0];  
    const float* begin = output_layer->cpu_data();  
    const float* end = begin + output_layer->channels();  
    return std::vector<float>(begin, end);  
}  
  
/* Wrap the input layer of the network in separate cv::Mat objects  
* (one per channel). This way we save one memcpy operation and we  
* don't need to rely on cudaMemcpy2D. The last preprocessing  
* operation will write the separate channels directly to the input  
* layer. */  
void Classifier::WrapInputLayer(std::vector<cv::Mat>* input_channels) {  
    Blob<float>* input_layer = net_->input_blobs()[0];  
  
    int width = input_layer->width();  
    int height = input_layer->height();  
    float* input_data = input_layer->mutable_cpu_data();  
    for (int i = 0; i < input_layer->channels(); ++i) {  
        cv::Mat channel(height, width, CV_32FC1, input_data);  
        input_channels->push_back(channel);  
        input_data += width * height;  
    }  
}  
  
void Classifier::Preprocess(const cv::Mat& img,  
    std::vector<cv::Mat>* input_channels) {  
    /* Convert the input image to the input image format of the network. */  
    cv::Mat sample;  
    if (img.channels() == 3 && num_channels_ == 1)  
        cv::cvtColor(img, sample, CV_BGR2GRAY);  
    else if (img.channels() == 4 && num_channels_ == 1)  
        cv::cvtColor(img, sample, CV_BGRA2GRAY);  
    else if (img.channels() == 4 && num_channels_ == 3)  
        cv::cvtColor(img, sample, CV_BGRA2BGR);  
    else if (img.channels() == 1 && num_channels_ == 3)  
        cv::cvtColor(img, sample, CV_GRAY2BGR);  
    else  
        sample = img;  
  
    cv::Mat sample_resized;  
    if (sample.size() != input_geometry_)  
        cv::resize(sample, sample_resized, input_geometry_);  
    else  
        sample_resized = sample;  
  
    cv::Mat sample_float;  
    if (num_channels_ == 3)  
        sample_resized.convertTo(sample_float, CV_32FC3);  
    else  
        sample_resized.convertTo(sample_float, CV_32FC1);  
  
    cv::Mat sample_normalized;  
    cv::subtract(sample_float, mean_, sample_normalized);  
  
    /* This operation will write the separate BGR planes directly to the  
    * input layer of the network because it is wrapped by the cv::Mat  
    * objects in input_channels. */  
    cv::split(sample_normalized, *input_channels);  
  
    CHECK(reinterpret_cast<float*>(input_channels->at(0).data)  
        == net_->input_blobs()[0]->cpu_data())  
        << "Input channels are not wrapping the input layer of the network.";  
}  
//获取路径path下的文件，并保存在files容器中  
void getFiles(string path, vector<string>& files)  
{  
    //文件句柄  
    long   hFile = 0;  
    //文件信息  
    struct _finddata_t fileinfo;  
    string p;  
    if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)  
    {  
        do  
        {  
            if ((fileinfo.attrib &  _A_SUBDIR))  
            {  
                if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)  
                    getFiles(p.assign(path).append("\\").append(fileinfo.name), files);  
            }  
            else  
            {  
                files.push_back(p.assign(path).append("\\").append(fileinfo.name));  
            }  
        } while (_findnext(hFile, &fileinfo) == 0);  
        _findclose(hFile);  
    }  
}  
  
int main(int argc, char** argv) {  
    //caffe的准备工作  
#ifdef _MSC_VER  
#pragma comment( linker, "/subsystem:\"windows\" /entry:\"mainCRTStartup\"" )  
#endif  
    //::google::InitGoogleLogging(argv[0]);  
    string model_file("../../model/deploy.prototxt");  
    string trained_file("../../model/type.caffemodel");  
    string mean_file("../../model/type_mean.binaryproto");  
    string label_file("../../model/labels.txt");  
    string picture_path("../../type");  
  
    Classifier classifier(model_file, trained_file, mean_file, label_file);  
    vector<string> files;  
    getFiles(picture_path, files);  
  
      
    for (int i = 0; i < files.size(); i++)  
    {  
        cv::Mat img = cv::imread(files[i], -1);  
        cv::Mat img2;  
  
        std::vector<Prediction> predictions = classifier.Classify(img);  
        Prediction p = predictions[0];  
          
        CvSize sz;  
        sz.width = img.cols;  
        sz.height = img.rows;  
        float scal = 0;  
        scal = sz.width > sz.height ? (300.0 / (float)sz.height) : (300.0 / (float)sz.width);  
        sz.width *= scal;  
        sz.height *= scal;  
        resize(img, img2, sz, 0, 0, CV_INTER_LINEAR);  
        IplImage* show = cvCreateImage(sz, IPL_DEPTH_8U, 3);  
          
        string text = p.first;  
        char buff[20];  
        _gcvt(p.second, 4, buff);  
        text = text + ":" + buff;  
  
        /************************输出中文(用到Freetype库)****************************/  
        /*CvxText mytext("../../STZHONGS.TTF");// 字体文件     
        const char *msg = text.c_str();  
        CvScalar size;  
        size.val[0] = 26;  
        size.val[1] = 0.5;  
        size.val[2] = 0.1;  
        size.val[3] = 0;  
        mytext.setFont(NULL,&size, NULL, NULL);   // 设置字体大小  
        mytext.putText(&IplImage(img2), msg, cvPoint(10, 30), cvScalar(0, 0, 255, NULL));  
        //输出图像名  
        text = files[i].substr(files[i].find_last_of("\\")+1);  
        msg = text.c_str();  
        mytext.putText(&IplImage(img2), msg, cvPoint(10, 55), cvScalar(0, 0, 255, NULL));  
        cvCopy(&(IplImage)img2, show);*/  
        /*******************************************************************************/  
  
        /***************************输出英文标签*****************************************/  
        cvCopy(&(IplImage)img2, show);  
        CvFont font;  
        cvInitFont(&font, CV_FONT_HERSHEY_COMPLEX, 1.0, 1.0, 0, 2, 8);  //初始化字体  
        cvPutText(show, text.c_str(), cvPoint(10, 30), &font, cvScalar(0, 0, 255, NULL));  
  
        text = files[i].substr(files[i].find_last_of("\\")+1);  
        cvPutText(show, text.c_str(), cvPoint(10, 55), &font, cvScalar(0, 0, 255, NULL));  
        /**********************************************************************************/  
          
        cvNamedWindow("结果展示");  
        cvShowImage("结果展示", show);  
        int c = cvWaitKey();  
        cvDestroyWindow("结果展示");  
        cvReleaseImage(&show);  
          
        if (c == 27)  
        {  
            return 0;  
        }  
    }  
    return 0;  
}  

3.生成

设置好之后，右键caffelib，生成。

4.结果

左边是中文标签，右边是英文标签。

最后，可以删除那些不需要的文件或文件夹，如我的caffe-windows-master内只留下：

也可以下载我封装好的代码，可通过链接下载：http://download.csdn.net/detail/sinat_30071459/9568131 是一个txt文件，因为csdn上传限制，代码上传到了百度云，txt里面有百度云链接。下载解压后将Classification\CLassificationDLL\bin加入环境变量，然后加入你的模型文件即可。

阅读全文

0 0