能见度进行分类

使用caffeNet分类：

主文件夹：/home/echo/caffe-master/examples/visionClass
网址：blog.csdn.net/liumaolincycle/article/details/48475479
参考：《Caffe的Mnist分类简单流程.docx》

训练模型

examples/visionClass/train_caffenet.sh

copy caffeNet的deploy.prototxt,并且改一下：num_output: 5

运行bp2npy.py文件，将C++可识别的mean.binaryproto的均值文件变成python可识别的.npy文件，代码：

#coding:utf-8
import caffe
import numpy as np
MEAN_PROTO_PATH = 'examples/cifar10/mean.binaryproto' # 待转换的 pb格式图像均值文件路径
MEAN_NPY_PATH = 'examples/cifar10/mean.npy' # 转换后的 numpy格式图像均值文件路径
blob = caffe.proto.caffe_pb2.BlobProto()# 创建protobuf blob
data = open(MEAN_PROTO_PATH, 'rb' ).read()# 读入mean.binaryproto文件 内容
blob.ParseFromString(data)# 解析文件内容到blob
array = np.array(caffe.io.blobproto_to_array(blob))# 将blob中的均值转换成numpy 格式，array的shape （mean_number，channel, hight, width）
mean_npy = array[0] # 一个array中可以有多组均值存 在，故需要通过下标选择其中一组均值
np.save(MEAN_NPY_PATH ,mean_npy)

---

---

补充：

关于训练时候图像增强的几点：

mirror: true
crop_size: 227
对图像进行增强用的，应该是网络有固定的输入大小就是227，这样可以将图像增强很多倍

关于classify.py有几点疑问：

（１）均值文件：之前训练的时候的均值文件是训练样本的均值，测试的时候需要的均值文件就是原来训练集的均值文件；
（２）下面应该是输入图像进网络之前会下采样至256*256，甚至执行create_imagenet.sh制作lmdb图片格式的时候就应经是讲图片设置为256*256了。

"--images_dim",default='256,256',help="Canonical 'height,width' dimensions of input images."

（３）下面就是说有两种方式，一种是直接去只从中间crop一下，根据真个判定类别，另一种是四个角落，以及中间五个地方同时判定，取平均

"--center_only",action='store_true',help="Switch for prediction from center crop alone instead of " +"averaging predictions across crops (default)."

---

单张测试：

echo@echo-PC:~/caffe-master$ python python/classify.py --model_def examples/visionClass/deploy.prototxt --pretrained_model examples/visionClass/caffenet_train/iter_50000.caffemodel --mean_file examples/visionClass/mean.npy --center_only --gpu examples/visionClass/visibData/4/YzPic20160407095646.bmp classOut

出错：ValueError: Mean shape incompatible with input shape.估计还是得把图片变成一定大小的

blog.csdn.net/fangjin_kl/article/details/50936925：

if ms != self.inputs[in_][1:]:
  print(self.inputs[in_])
  in_shape = self.inputs[in_][1:]
  m_min, m_max = mean.min(), mean.max()
  normal_mean = (mean - m_min) / (m_max - m_min)
  mean = resize_image(normal_mean.transpose((1,2,0)),
  in_shape[1:]).transpose((2,0,1)) * \
  (m_max - m_min) + m_min

(10,3,227,227)应该是print(self.inputs[in_]) 这句话输出的，我估计10指的是四边以及中间，然后再镜像

echo@echo-PC:~/caffe-master$ python python/classify.py --model_def examples/visionClass/deploy.prototxt --pretrained_model examples/visionClass/caffenet_train/iter_50000.caffemodel --mean_file examples/visionClass/mean.npy --center_only --gpu examples/visionClass/visibData/4/YzPic20160407095646.bmp classOut

之后结果生成：classOut.npy的文件，保存各类的置信度，可以这样去查看内容

>>> import numpy as np
>>> np.load("classOut.npy")
array([[  6.56269421e-08,  3.51868638e-11,  1.38281503e-05,
3.01185180e-03,  9.96974230e-01]], dtype=float32)
>>>

但是最好通过以下方式去直观看到， 用我改进版的classify Visionclass.py

echo@echo-PC:~/caffe-master$ python python/classifyVisionclass.py --print_results --model_def examples/visionClass/deploy.prototxt --pretrained_model examples/visionClass/caffenet_train/iter_50000.caffemodel --mean_file examples/visionClass/mean.npy --labels_file examples/visionClass/synset_words.txt  --center_only --gpu examples/visionClass/visibData/4/YzPic20160407095646.bmp classOut

批量测试准确率：

./build/tools/caffe test --model examples/visionClass/train_val.prototxt --weights examples/visionClass/caffenet_train/iter_50000.caffemodel --gpu 0

结果：

I0609 14:53:45.144374  4707 caffe.cpp:313] Loss: 0.494232
I0609 14:53:45.144385  4707 caffe.cpp:325] accuracy = 0.8104
I0609 14:53:45.144395  4707 caffe.cpp:325] loss = 0.494232 (* 1 = 0.494232 loss)
echo@echo-PC:~/caffe-master$

训练过程画出loss曲线，类似如下，最后对log文件进行解析就好，暂时不做，请参考《Python 训练caffe之loss曲线绘制》

/home/echo/caffe-master/build/tools/caffe train --solver=/home/echo/caffe-master/examples/mnist/lenet_solver.prototxt --gpu all 2>&1 |tee out.log