似乎我在使用coremltool
和训练有素的 .caffemodel 时遇到了一些转换问题。我能够训练和测试caffe
狗模型(120 个类别,20k 张图像),并且它通过了我的直接caffe
分类测试。不幸的是,在转换为mlmodel
它之后,我并没有对相同的输入做出有效的预测。
培训模式
该模型已经使用 Caffe、GoogleNet、包含 120 个类别的 20k 图像集和大约 500k 次迭代进行了训练。我已经准备好图像数据库和所有其他的,并将所有文件放在一起
分类与caffe
此分类示例由caffe
. 当我尝试对受过训练的人运行分类请求时caffemodel
- 它的效果很好,概率很高(80-99%),结果正确:
分类与Apple
iOS 11
CoreML
不幸的是,当我尝试将这个DTDogs.caffemodel
&打包deploy.txt
到 Apple iOS 11 可使用的 .mlmodel 中时,CoreML
我得到了不同的预测结果。实际上,加载和使用模型没有错误,但我无法获得有效的分类,所有的预测都是 0-15% 的置信度并且有错误的标签。为了正确测试它,我使用了与用于直接分类的完全相同的图像caffe
:
我还从这里用我的 iOS 应用程序尝试了预训练和预打包的模型——它们工作得很好,所以这似乎是打包过程的问题。
我错过了什么?
以下是分类示例caffe
:没有问题,正确答案 ( python
):
import numpy as np
import sys
import caffe
import os
import urllib2
import matplotlib.pyplot as plt
%matplotlib inline
test_folder = '/home/<username>/Desktop/CaffeTest/'
test_image_path = "http://cdn.akc.org/content/hero/irish-terrier-Hero.jpg"
# init caffe net
model_def = test_folder + 'deploy.prototxt'
model_weights = test_folder + 'DTDogs.caffemodel'
# caffe.set_mode_gpu()
net = caffe.Net(model_def, model_weights, caffe.TEST)
# prepare transformer
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2,1,0))
net.blobs['data'].reshape(1, 3, 256, 256)
test_image = urllib2.urlopen(test_image_path)
with open(test_folder + 'testImage.jpg','wb') as output:
output.write(test_image.read())
image = caffe.io.load_image(test_folder + 'testImage.jpg')
transformed_image = transformer.preprocess('data', image)
net.blobs['data'].data[...] = transformed_image
# classify
output = net.forward()
output_prob = output['prob'][0]
output_prob_val = output_prob.max() * 100
output_prob_ind = output_prob.argmax()
labels_file = test_folder + 'labels.txt'
labels = np.loadtxt(labels_file, str, delimiter='\t')
plt.imshow(image)
print 'predicted class is:', output_prob_ind
print 'predicted probabily is:', output_prob_val
print 'output label:', labels[output_prob_ind]
这是DTDogs.mlmodel
使用coremltools
. 我看到生成的.mlmodel
文件比原始文件小两倍,但它可能是( ).caffemodel
的某种存档或压缩优化:coremltools
python
import coremltools;
caffe_model = ('DTDogs.caffemodel', 'deploy.prototxt')
labels = 'labels.txt'
coreml_model = coremltools.converters.caffe.convert(caffe_model, class_labels = labels, image_input_names= "data")
coreml_model.short_description = "Dogs Model v1.14"
coreml_model.save('DTDogs.mlmodel')
DTDogs.mlmodel
这是在应用程序中使用的示例。我正在使用常规图像选择器来选择用于.caffe
分类测试 ( swift
) 的相同图像:
func imagePickerController(_ picker: UIImagePickerController, didFinishPickingMediaWithInfo info: [String : Any]) {
picker.dismiss(animated: true)
print("Analyzing Image…")
guard let uiImage = info[UIImagePickerControllerOriginalImage] as? UIImage
else { print("no image from image picker"); return }
guard let ciImage = CIImage(image: uiImage)
else { print("can't create CIImage from UIImage"); return }
imageView.image = uiImage
do {
let model = try VNCoreMLModel(for: DTDogs().model)
let classificationRequest = VNCoreMLRequest(model: model, completionHandler: self.handleClassification)
let orientation = CGImagePropertyOrientation(uiImage.imageOrientation)
let handler = VNImageRequestHandler(ciImage: ciImage, orientation: Int32(orientation.rawValue))
try handler.perform([classificationRequest])
} catch {
print(error)
}
}