caffe機器學習自帶圖片分類器classify.py實現輸出預測結果的機率及caffe的web_demo例子運行實例 機器學習caffe環境搭建——redhat7.1和caffe的python接口編

caffe機器學習環境搭建及python接口編譯參見個人上一篇博客：機器學習caffe環境搭建——redhat7.1和caffe的python接口編譯

1.運行caffe圖片分類器python接口

 仍是假設caffe的源碼下載的路徑爲：/code,那麼有這麼個文件/code/caffe/python/classify.py，它是caffe團隊提供的一個python實現的圖片分類器的接口。運行該接口有兩個必須參數，一個是你要操做的圖片，另外一個就是保存運行結果的文件。可是該接口須要簡單修改才能運行，你不作任何修改的狀況下運行的結果是這樣的：

執行：

[root@localhost python]# python classify.py /root/Desktop/pic/banma.jpg result.npy #其中第一個參數是傳入一張圖片，第二個是計算結果的保存文件

 運行結果是這樣的，

均值有問題，/code/caffe/python/classify.py文件，第95行左右，修改以下，

[root@localhost python]# vim classify.py

 

修改以後執行是能夠了，可是結果不會輸出到屏幕上，並且結果的保存文件result.npy的內容也是不可讀的，運行結果以下：

 

他只告訴說計算結果保存在result.npy(該文件也是在，/code/caffe/python/目錄下),可是當你去讀的時候發現是一堆亂碼。因而，再次編輯/code/caffe/python/classify.py文件，把結果直接打印到屏幕上：

 

添加的內容就是兩行####之間的內容。即：131~138行。修改以後再次運行：

[root@localhost python]# python classify.py /root/Desktop/pic/banma.jpg result.npy #其中第一個參數是傳入一張圖片，第二個是計算結果的保存文件

 輸出以下：

 

我傳入的是一張斑馬的圖片，分類的結果是0.99501的機率是zebra,默認輸出是機率最大的前五個，能夠自定義。

 

2.運行caffe自帶的例子web_demo

  在目錄/code/caffe/exampes下，有不少caffe給的例子，這裏以web_demo下的例子爲例，這個例子實現的是一個圖片分類器的功能，好比你上傳一張貓的圖片，程序會給出整張圖片是貓的可能性，或者是狗的可能性等等。

 首先，經過閱讀/code/caffe/exampes/web_demo/下的readme.me文件（建議都看一下該文件），能夠知道須要先下載各類依賴，及須要的數據資源，以下：

 

[root@localhost ~]# cd /code/caffe

[root@localhost caffe]# pip install -r examples/web_demo/requirements.txt

[root@localhost caffe]# ./data/ilsvrc12/get_ilsvrc_aux.sh

[root@localhost caffe]# ./scripts/download_model_binary.py models/bvlc_reference_caffenet  #這個下載的最慢，40+分鐘

 

所有下載完成後就能夠運行了 

[root@localhost ~]# python examples/web_demo/app.py

 經過readme。md文件咱們知道服務監聽5000端口，打開瀏覽器輸入：localhost：5000就會看到以下頁面

 

能夠看到caffe提供3種方法來驗證該分類器，點擊「Click for a Quick Example」,這個是caffe源碼裏自帶的幾張貓的圖片，也能夠添加一張圖片的URL，甚至能夠本地上傳一張圖片讓caffe去識別，我上傳一張斑馬圖片識別結果以下：

 

至此，對caffe有個基本的瞭解了，繼續深刻學習吧。