Caffe剛剛安裝配置結束，乘熱打鐵！

(一)環境準備

前面我有兩篇文章寫到caffe的搭建，第一篇cpu only ，第二篇是在服務器上搭建的，其中第二篇因為硬件環境更佳我們的步驟稍顯復雜。其實，第二篇也僅僅是caffe的初步搭建完成，還沒有編譯python接口，那么下面我們一起搞定吧！

在這篇博文的結尾，我們再增加編譯Python接口，而這部分內容請參考我的博文《 Ubuntu14.04搭建Caffe(僅cpu) 》http://www.linuxidc.com/Linux/2016-09/135034.htm?，這篇文章從編譯Python接口部分看就好了。

(二)下載模型

作者在github上開源了代碼:Fully Convolutional Networks，我們首先將代碼下載并且解壓到家目錄下。

項目文件結構很清晰，如果想train自己的model,只需要修改一些文件路徑設置即可，這里我們應用已經train好的model來測試一下自己的圖片：

我們下載voc-fcn32s,voc-fcn16s以及voc-fcn8s的caffemodel(根據提供好的caffemodel-url)，fcn-16s和fcn32s都是缺少deploy.prototxt的，我們根據train.prototxt稍加修改即可。注意，這里的caffemode-url其實在各個模型的文件夾下面都已經提供給我們了，請讀者細心找一找，看看是不是每一個文件夾下面都有一個caffemode-url的文件？打開里面會有模型的下載地址！

(三)修改infer.py文件

caffe path的加入，由于FCN代碼和caffe代碼是獨立的文件夾，因此，須將caffe的Python接口加入到path中去。這里有兩種方案，一種是在所有代碼中出現import caffe之前，加入：

1 importsys2 sys.path.append('caffe根目錄/python')

另一種一勞永逸的方法是:在終端或者bashrc中將接口加入到PYTHONPATH中：

export PYTHONPATH=caffe根目錄/python:$PYTHONPATH

本次我們采用后者。

在解壓代碼的根目錄下找到一個文件:infer.py。略微修改infer.py,就可以測試我們自己的圖片了，請大家根據自己實際情況來進行修改。

im = Image.open('voc-fcn8s/test.jpeg')?這里指的是測試圖片路徑！

net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST)?，這里指的是voc-fcn8s文件下的部署文件和模型。注意，fcn下每一個模型其實都對應于一個文件夾，而每個文件夾下應當放著這個模型的caffemodel文件和prototxt文件！

plt.savefig('test.png')?，這里指的是最終分割的結果應當放置在哪個路徑下，大家都知道，語義分割的結果應當是一張圖片！

修改完后的infer.py如下所示：

1 importnumpy as np2 from PIL importImage3 importmatplotlib.pyplot as plt4 importcaffe5

6 #load image, switch to BGR, subtract mean, and make dims C x H x W for Caffe

7 im = Image.open('voc-fcn8s/test.jpeg')8 in_ = np.array(im, dtype=np.float32)9 in_ = in_[:,:,::-1]10 in_ -= np.array((104.00698793,116.66876762,122.67891434))11 in_ = in_.transpose((2,0,1))12

13 #load net

14 net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST)15 #shape for input (data blob is N x C x H x W), set data

16 net.blobs['data'].reshape(1, *in_.shape)17 net.blobs['data'].data[...] =in_18 #run net and take argmax for prediction

19 net.forward()20 out = net.blobs['score'].data[0].argmax(axis=0)21

22 plt.imshow(out,cmap='gray');23 plt.axis('off')24 plt.savefig('test.png')25 #plt.show()

運行結束后會在軟件的根目錄下生成一個分割好的圖片test.png！

我們可以看一下原始圖片和最后生成的圖片的區別：

可能會遇到的問題：

(1)no display name and no $DISPLAY environment variable

其實，在Ubuntu虛擬終端里執行python infer.py是沒有任何錯誤的，但是我是通過遠程訪問連接服務器的方式運行程序的。所以在執行到最后的時候會報這個錯。不過不要害怕，

在stackoverflow中找到了終極解決辦法：

如圖中所示的步驟，找到matplotlibrc，將backend從tkAGG修改為AGG。

sudo gedit /home/xuanxufeng/.local/lib/python2.7/site-packages/matplotlib/mpl-data/matplotlibrc

再次在putty中執行就沒有任何問題了！

(2)在執行python infer.py時可能會提示缺少某一兩個模塊。

這個不用擔心，都是小問題，百度很容易搜到，一兩個命令安裝就好了~

(四) 結束語

從開始讀論文到現在，也算是前進了一小步，可以看見的一小步。在往后，隨著實驗的一步步進行，我還會再更新模型的訓練以及訓練數據集的制作！請各位看官耐心等待！

Ubuntu 16.04下Matlab2014a+Anaconda2+OpenCV3.1+Caffe安裝 http://www.linuxidc.com/Linux/2016-07/132860.htm

Caffe配置簡明教程 ( Ubuntu 14.04 / CUDA 7.5 / cuDNN 5.1 / OpenCV 3.1 )? http://www.linuxidc.com/Linux/2016-09/135016.htm

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的linux跑caffe模型的步骤,Caffe初步实践——使用训练好的模型完成语义分割任务的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。