编写检测深度模型测试程序python

首先从网上下载imagenet训练好的模型，模型下载地址

http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel

可以把模型放入/caffe-master/models/bvlc_googlenet/目录下

bvlc_googlenet目录就是官方提供的googlenet模型，可以训练或者直接使用googlenet模型。

可以在这个文件夹中新建一个image文件夹，存放要检测的照片。

然后就是编写一个test.py测试程序，程序如下：

#coding=utf-8

import numpy as np

import matplotlib.pyplot as plt

import os

import PIL

from PIL import Image

caffe_root = ‘/home/grid/caffe-master/‘

import sys

sys.path.insert(0,caffe_root+‘python‘)

import caffe

MODEL_FILE =caffe_root+‘models/bvlc_googlenet/deploy.prototxt‘

PRETRAINED =caffe_root+‘models/bvlc_googlenet/bvlc_googlenet.caffemodel‘

#cpu模式

caffe.set_mode_cpu()

#定义使用的神经网络模型

net = caffe.Classifier(MODEL_FILE,PRETRAINED,

               mean=np.load(caffe_root +‘python/caffe/imagenet/ilsvrc_2012_mean.npy‘).mean(1).mean(1),

               channel_swap=(2,1,0),

               raw_scale=255,

               image_dims=(224, 224))

imagenet_labels_filename = caffe_root +‘data/ilsvrc12/synset_words.txt‘

labels =np.loadtxt(imagenet_labels_filename, str, delimiter=‘\t‘)

#对目标路径中的图像，遍历并分类

for root,dirs,files inos.walk("/home/grid/caffe-master/models/bvlc_googlenet/image/"):

   for file in files:

       #加载要分类的图片

       IMAGE_FILE = os.path.join(root,file).decode(‘gbk‘).encode(‘utf-8‘);

       input_image = caffe.io.load_image(IMAGE_FILE)

       #预测图片类别

       prediction = net.predict([input_image])

       print ‘predicted class:‘,prediction[0].argmax()

       # 输出概率最大的前5个预测结果

       top_k = net.blobs[‘prob‘].data[0].flatten().argsort()[-1:-6:-1]

       print labels[top_k]

然后执行程序python test.py

输入预测结果：