猫也能明白 Day3

在上一篇博客中介绍了对图像进行分类，接下来看如何对图像进行检测。

方法一： 使用代码扫描图片（不重叠）

## 第一步，与上一篇博客一样，首先部署深度学习网络
import time
import numpy as np # 用来存储数据
import matplotlib.pyplot as plt # 对结果进行可视化输出
import caffe # 深度学习框架
%matplotlib inline

MODEL_JOB_DIR = '工作目录'  ## 模型工作目录
DATASET_JOB_DIR = '数据集目录'  ## 数据集中目录

MODEL_FILE = MODEL_JOB_DIR + '/网络.prototxt'   # 深度学习网络结构描述文件
PRETRAINED = MODEL_JOB_DIR + '/权重.caffemodel' # 深度学习完成后的权重
MEAN_IMAGE = DATASET_JOB_DIR + '/均值图像.jpg'   # 均值图像，用来处理原始图像

# 配置GPU，以便于使用并行计算
caffe.set_mode_gpu()
# 初始化深度学习框架
net = caffe.Classifier(MODEL_FILE, PRETRAINED,
                       channel_swap=(2,1,0),
                       raw_scale=255,
                       image_dims=(256, 256))

# 读取均值图像
mean_image = caffe.io.load_image(MEAN_IMAGE)

## 读取需要扫描的图像
IMAGE_FILE = '需要扫描的图像.png'
input_image= caffe.io.load_image(IMAGE_FILE)

# 计算需要多少个256×256的图像
rows = input_image.shape[0]/256
cols = input_image.shape[1]/256

# 初始化
detections = np.zeros((rows,cols))

# 按照256×256的尺寸，不重叠的，扫描整个图片
start = time.time()
for i in range(0,rows):
    for j in range(0,cols):
        grid_square = input_image[i*256:(i+1)*256,j*256:(j+1)*256]
        # 减去均值图像
        grid_square -= mean_image
        # 预测图像
        prediction = net.predict([grid_square]) 
        detections[i,j] = prediction[0].argmax()
        
# 输出结果
plt.imshow(detections, interpolation=None)