caffe--python版利用训练好模型进行测试

Love The Way You Lie 2022-06-02 01:15 228阅读 0赞

小鱼最近在caffe上用faster rcnn网络进行目标的检测，但是网络是先按设置好的训练迭代次数进行训练，得到训练模型之后进行一次性的测试（这里小鱼认为是验证更合理），最终网络得到的输出只有train net output的四个输出。下面为某次迭代的输出结果：

I1224 13:55:23.250411 16953 solver.cpp:229] Iteration 20000, loss = 0.179466
    I1224 13:55:23.250457 16953 solver.cpp:245]     Train net output #0: loss_bbox = 0.0858043 (* 1 = 0.0858043 loss)
    I1224 13:55:23.250463 16953 solver.cpp:245]     Train net output #1: loss_cls = 0.106088 (* 1 = 0.106088 loss)
    I1224 13:55:23.250465 16953 solver.cpp:245]     Train net output #2: rpn_cls_loss = 0.000335818 (* 1 = 0.000335818 loss)
    I1224 13:55:23.250469 16953 solver.cpp:245]     Train net output #3: rpn_loss_bbox = 0.00807029 (* 1 = 0.00807029 loss)
    I1224 13:55:23.250474 16953 sgd_solver.cpp:106] Iteration 20000, lr = 0.001

但是只得到训练阶段的结果没有太大的意义，如果可以让网络边训练边测试，并且输出自己想要的结果那就完美了。  
**A.实现让网络边训练边测试方法**

有两个地方需要改，第一是solver.prototxt文件

train_net: "models/pascal_voc/VGG16/faster_rcnn_end2end/train.prototxt"
    test_net: "models/pascal_voc/VGG16/faster_rcnn_end2end/test.prototxt"
    test_iter:10
    test_interval:100

加入训练和测试的配置文件，并且加入训练多少次测试一次的参数。  
其中test\_iter为测试时要迭代的次数，iter\_iter\*batchsize要等于或大于测试集的数量  
test\_interval表示训练的时候每迭代多少次进行一次训练  
关于改两个参数还有不懂可参考：[test\_iter test\_interval等概念][test_iter test_interval]  
第二个需要修改的地方为train.prototxt文件，加入你想要的输出层，比如这里是加入accuracy精度层

layer {
      name: "accuracy"
      type: "Accuracy"
      bottom: "cls_score"
      bottom: "labels"
      top: "accuracy"
      accuracy_param {
        ignore_label: -1
      }
    }

你在加入层时注意bottom和top层需要什么就可以。  
得到的结果为

I1225 16:00:46.513276 29753 solver.cpp:229] Iteration 150, loss = 0.650436
    I1225 16:00:46.513305 29753 solver.cpp:245]     Train net output #0: loss_bbox = 0.32511 (* 1 = 0.32511 loss)
    I1225 16:00:46.513310 29753 solver.cpp:245]     Train net output #1: loss_cls = 0.174398 (* 1 = 0.174398 loss)
    I1225 16:00:46.513314 29753 solver.cpp:245]     Train net output #2: rpn_cls_loss = 0.0964653 (* 1 = 0.0964653 loss)
    I1225 16:00:46.513319 29753 solver.cpp:245]     Train net output #3: rpn_loss_bbox = 0.124464 (* 1 = 0.124464 loss)
    I1225 16:00:46.513337 29753 sgd_solver.cpp:106] Iteration 150, lr = 0.001
    I1225 16:01:08.406378 29753 solver.cpp:338] Iteration 200, Testing net (#0)
    I1225 16:01:08.406400 29753 net.cpp:748] Ignoring source layer input-data
    I1225 16:01:08.406404 29753 net.cpp:748] Ignoring source layer data_input-data_0_split
    I1225 16:01:08.406404 29753 net.cpp:748] Ignoring source layer im_info_input-data_1_split
    I1225 16:01:08.406406 29753 net.cpp:748] Ignoring source layer gt_boxes_input-data_2_split
    I1225 16:01:08.406419 29753 net.cpp:748] Ignoring source layer rpn_cls_score_rpn_cls_score_0_split
    I1225 16:01:08.406422 29753 net.cpp:748] Ignoring source layer rpn_bbox_pred_rpn_bbox_pred_0_split
    I1225 16:01:08.406424 29753 net.cpp:748] Ignoring source layer rpn_cls_score_reshape_rpn_cls_score_reshape_0_split
    I1225 16:01:08.406425 29753 net.cpp:748] Ignoring source layer rpn-data
    I1225 16:01:08.406427 29753 net.cpp:748] Ignoring source layer rpn_loss_cls
    I1225 16:01:08.406428 29753 net.cpp:748] Ignoring source layer rpn_loss_bbox
    I1225 16:01:08.406432 29753 net.cpp:748] Ignoring source layer roi-data
    I1225 16:01:08.406437 29753 net.cpp:748] Ignoring source layer loss_cls
    I1225 16:01:08.406440 29753 net.cpp:748] Ignoring source layer loss_bbox
    I1225 16:01:08.664206 29753 solver.cpp:406]     Test net output #0: bbox_pred = 0.00942488
    I1225 16:01:08.664227 29753 solver.cpp:406]     Test net output #1: bbox_pred = -0.0537473
    I1225 16:01:08.664244 29753 solver.cpp:406]     Test net output #2: bbox_pred = 0.00265342
    I1225 16:01:08.664248 29753 solver.cpp:406]     Test net output #3: bbox_pred = -0.021216
    I1225 16:01:08.664250 29753 solver.cpp:406]     Test net output #4: bbox_pred = -0.534974
    I1225 16:01:08.664253 29753 solver.cpp:406]     Test net output #5: bbox_pred = -0.0314645
    I1225 16:01:08.664255 29753 solver.cpp:406]     Test net output #6: bbox_pred = -0.161127
    I1225 16:01:08.664258 29753 solver.cpp:406]     Test net output #7: bbox_pred = -0.848146
    I1225 16:01:08.664274 29753 solver.cpp:406]     Test net output #8: cls_prob = 0.999959
    I1225 16:01:08.664276 29753 solver.cpp:406]     Test net output #9: cls_prob = 4.12374e-05

有一个问题小鱼还没有解决是，为什么测试网络的loss输出都被忽略，可能是因为测试阶段的loss不重要，test阶段一般更加关注accuracy，AP值。  
**B.自己编写脚本实现利用已训练好的模型进行测试**

#!/usr/bin/env python
    # -*- coding: utf-8 -*-
    
    
    """
    make prediction for test images using trained model ,then come out the test accuracy
    """
    
    import caffe
    import os
    import numpy as np
    
    #导入deploy文件及训练好的模型
    root='/home/work/py-faster-rcnn/'
    model_def=root+'/deploy.prototxt'
    caffe_model=root+'/vgg16_faster_rcnn_iter_50000.caffemodel'
    
    img=root+'data/demo/00101.jpg'
    
    f=file("/data/testresult.txt","w")
    #类别名称文件，将数字标签转换回类别名称
    labels_filename=root+'data/label.txt'
    
    net=caffe.Net(model_def,
                  caffe_model,
                  caffe.TEST)
    #图片预处理设置
    transformer=caffe.io.Transformer({
       'data':net.blobs['data'].data.shape})  
       #设定图片的shape格式为（1,3,224,224）
    transformer.set_transpose('data',(2,0,1))  
       #改变维度的顺序，原始图片（224,224,3）变成（3,224,224）
    transformer.set_raw_scale('data',255)   
       #缩放到[0,225之间]
    transformer.set_channel_swap('data',(2,1,0))  
       #交换通道，由图片RGB转为BGR
    #加载图片
    im=caffe.io.load_image(img)
    #执行预处理操作，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')
    #取出最后一层属于某个类别的概率值并打印
    prob=net.blobs['cls_prob'].data[0].flatten()
    print prob
    #取出最大值所在的序号
    order=prob.argsort()[-1]
    #将改序号转换为对应的类别名称打印并写入指定txt文件中
    print 'the class is:',labels[order]
    f=file("/data/testresult.txt","a+")
    f.writelines(img+' '+labels[order]+' '+str(prob)+'\n')

这里是拿一张图片作为演示，如果有多张图，写一个for循环读入图片就好。同时代码中的路径都是视具体路径改的，你是什么路径就写什么路径。  
需要注意的点为  
**问题一**：最上面的\#!/usr/bin/env python一定要记得写上，不然一直会报如下错

>>>import caffe
       Traceback (most recent call last): 
        File "<stdin>", line 1, in <module> 
       ImportError: No module named caffe

这里的解决方法除了加上这一行之外，还有就是将caffe放到配置文件中，把环境变量路径放到 ~/.bashrc文件中，可以永久有效果，解决方法如下：  
打开新终端，输入

sudo gedit ~/.bashrc

打开bashrc文件之后，在最后添加如下行：

export PYTHONPATH=~/caffe/python:$PYTHONPATH #~为自己caffe的目录

添加之后，保存关闭文件，要想环境变量生效，需要在终端下输入

source ~/.bashrc

**问题二**，代码中的testresult.txt表示的是新建的用来保存测试精度的文本;代码中的label.txt为你的类别文件，格式如下：

0 person
    1 dog

今天的内容有点多，希望能帮到大家，小鱼还要探究怎么写脚本将测试阶段的准确率和召回率提出来。  
如果有哪位大牛看到这篇博文，知道怎么将测试阶段的precision和recall提取出来的话，教教小鱼，当然小鱼如果学会了也会和大家分享。  
关于本博文有不懂的同学欢迎相互沟通，加油！

[test_iter test_interval]: http://blog.csdn.net/iamzhangzhuping/article/details/49993899