繼上篇 caffe目標檢測模型訓練全過程（一）指令碼、資料準備與製作
之後，我們訓練出來了其模型，如圖所示：

models2_iter_70000.caffemodel 就是需要呼叫的模型，70000表示模型訓練了70000次後所儲存的模型，其他也是一樣的。

記下來，使用python載入模型，然後進行識別，首先對處理好的227*227大小的處理好的圖片進行識別。
程式碼如下：

net_full_conv = caffe.Net('../deploy.prototxt',
                              '../models2_iter_50000.caffemodel',
                              caffe.TEST)
# 載入圖片
 

im = caffe.io.load_image('scale_img.jpg')
print(im.shape)

transformer = caffe.io.Transformer({'data': net_full_conv.blobs['data'].data.shape})
#transformer.set_mean('data', np.load(caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy').mean(1).mean(1))
transformer.set_transpose('data', (2,0,1))
transformer.set_channel_swap('data'
 
, (2,1,0))
transformer.set_raw_scale('data', 255.0)

transformed_image = transformer.preprocess('data', im)
net_full_conv.blobs['data'].data[...] = transformed_image
net_full_conv.blobs['data'].reshape(1,3,227,227)

### perform classification
out = net_full_conv.forward()
# make classification map by forward and print prediction indices at each location
 

# out = net_full_conv.forward_all(data=np.asarray([transformer.preprocess('data', im)]))
#打印出類別
print (out['prob'],(x,y))