問題描述
在windows平臺上，本地訓練SSD_512獲得了對應的權值參數文件，加載模型進行前向測試的時候，發現調用caffe.io.Transformer中的resize處理函數速度太慢，打算用opencv的resize作替換，所以更改了輸入圖片到模型中的預處理過程，使用caffe.io.Transformer進行預處理的過程以下：python
import numpy as np
import sys,os
# 設置當前的工做環境在caffe下
caffe_root = '/home/xxx/caffe/'
# 咱們也把caffe/python也添加到當前環境
sys.path.insert(0, caffe_root + 'python')
import caffe
os.chdir(caffe_root)#更換工做目錄
# 設置網絡結構
net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'
# 添加訓練以後的參數
caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
# 均值文件
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'
# 這裏對任何一個程序都是通用的，就是處理圖片
# 把上面添加的兩個變量都做爲參數構造一個Net
net = caffe.Net(net_file,caffe_model,caffe.TEST)
# 獲得data的形狀，這裏的圖片是默認matplotlib底層加載的
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
# matplotlib加載的image是像素[0-1],圖片的數據格式[weight,high,channels]，RGB
# caffe加載的圖片須要的是[0-255]像素，數據格式[channels,weight,high],BGR，那麼就須要轉換
# channel 放到前面
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
# 圖片像素放大到[0-255]
transformer.set_raw_scale('data', 255)
# RGB-->BGR 轉換
transformer.set_channel_swap('data', (2,1,0))
# 這裏纔是加載圖片
im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')
# 用上面的transformer.preprocess來處理剛剛加載圖片
net.blobs['data'].data[...] = transformer.preprocess('data',im)
#注意,網絡開始向前傳播啦
out = net.forward()
# 最終的結果: 當前這個圖片的屬於哪一個物體的機率(列表表示)
output_prob = output['prob'][0]
# 找出最大的那個機率
print 'predicted class is:', output_prob.argmax()
用opencv2中的resize函數替換以後，檢測的結果不好，最終經過比較兩種resize方式對同一張圖片處理後結果的差別，發現兩種方式存在不一樣，雖說差別很小，可是也會嚴重影響檢測結果，緣由可能以下：ubuntu
模型不夠魯棒
caffe中的resize和opencv中的resize的默認插值方式可能不一樣，這點須要看源碼進行確認
在ubuntu上不存在這個問題，猜測多是在windows下的caffe不是官方提供的，可能處理方式存在差別
最終，所有采用caffe.io.Transformer的方式進行圖片的預處理，檢測結果恢復正常。windows
此外，測試了opencv2和opencv3，發現用opencv2處理圖片，檢測的效果更好，緣由未知！
---------------------
做者：tsq292978891
來源：CSDN
原文：https://blog.csdn.net/tsq292978891/article/details/78918413
版權聲明：本文爲博主原創文章，轉載請附上博文連接！網絡