我的问题是关于caffe测试结果 . Python脚本结果不等于caffe测试结果 . 我使用了Alexnet,我的测试精度是0,9033 .
Caffe测试精度:0.9033
Python准确度:0.8785
我用40000张图片进行测试 . 错误分类图像的数量应该是3868.但是我的python结果中错误分类图像的数量是4859.问题是什么?
谢谢 .
Here is my caffe test command:
…/build/tools/caffe test --model …/my_deploy.prototxt --weights …/alex_24_11__iter_200000.caffemodel -gpu 0 -iterations 800
之后,我发现并尝试使用我的测试数据的python脚本,但我没有得到相同的结果 . 之前我在另一个数据集上使用过这个脚本,并且在我的caffe测试中得到了相同的准确度,但是我在火车和测试期间都没有使用平均文件 . 但是现在我使用平均文件进行训练和测试 . 可能是平均文件中存在问题,但我使用了从教程中找到的所有内容 .
我创建了lmdb . 我使用compute_image_mean从lmdb创建平均文件 . lmdb中的图像大小为256x256 . 我在alexnet中使用了227x227图像 .
Python script:
caffe.set_mode_gpu()
model_def = '…/my_deploy.prototxt'
model_weights = '… /alex_24_11__iter_200000.caffemodel'
net = caffe.Net(model_def, model_weights, caffe.TEST)
blob = caffe.proto.caffe_pb2.BlobProto()
data = open( '.../image_mean.binaryproto' , 'rb' ).read()
blob.ParseFromString(data)
arr = np.array( caffe.io.blobproto_to_array(blob) )
out = arr[0]
np.save( '.../imageMean.npy' , out )
mu = np.load('…/imageMean.npy')
mu = mu.mean(1).mean(1)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', mu)
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2,1,0))
net.blobs['data'].reshape(1, 3, 227, 227)
f = open('…/val.txt', 'r')
f2 = open('…/result.txt', 'a')
for x in range(0,40000):
a=f.readline()
a=a.split(' ')
image = caffe.io.load_image('… /'+a[0])
transformed_image = transformer.preprocess('data', image)
net.blobs['data'].data[...] = transformed_image
output = net.forward()
output_prob = output['prob'][0]
f2.write(str(a[0]))
f2.write(str(' '))
f2.write(str(output_prob.argmax()))
f2.write('\n')
First layer of my deploy.prototxt
layer {
name: "input"
type: "Input"
top: "data"
input_param { shape: { dim: 1 dim: 3 dim: 227 dim: 227 } }
}
Last layer of my deploy.prototxt
layer {
name: "prob"
type: "Softmax"
bottom: "fc8-16"
top: "prob"
}
其他图层等于train_val.prototxt .
1 回答
创建LMDB并处理测试数据时,请检查预处理是否相同 .
例如,如果您使用:
你应该确保你的LMDB也交换了这些通道(我假设这是一个RGB到BGR的转换) .
特别是,你说你在训练期间使用了平均值 image . 但是,在
Transformer
中,您正在计算并减去平均值 pixel . 这可以解释你的两个准确度之间的微小差异 .