caffe初步實踐---------使用訓練好的模型完成語義分割任務（使用vocfcn32）
利用caffe框架對已經訓練好的模型進行語義分割時要先保證caffe已經安裝配置好，本文的caffe環境是建立在ｕｂｕｎｔｕ 16.04的環境下的，以下是caffe安裝的參考連結：
（一）環境準備
本人電腦是暗影精靈二代pro GTX1050 的顯示卡。
首先請讀者再回過頭去看《Ubuntu16.04安裝配置Caffe》（ http://www.cnblogs.com/xuanxufeng/p/6150593.html ）
在這篇博文的結尾，我們再增加編譯Python介面，而這部分內容請參考別人的博文《Ubuntu14.04搭建Caffe（僅cpu)》 http://www.cnblogs.com/xuanxufeng/p/6016945.html ，這篇文章從編譯Python介面部分看就好了。
（二）下載模型
專案檔案結構很清晰，如果想train自己的model,只需要修改一些檔案路徑設定即可，這裡我們應用已經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，這裡的caffemode-url其實在各個模型的資料夾下面都已經提供給我們了，請讀者細心找一找，看看是不是每一個資料夾下面都有一個caffemode-url的檔案？開啟裡面會有模型的下載地址！
（三）修改infer.py檔案
- caffe path的加入，由於FCN程式碼和caffe程式碼是獨立的資料夾，因此，須將caffe的Python介面加入到path中去。這裡有兩種方案，一種是在所有程式碼中出現
import caffe之前，加入：
1 import sys
2 sys.path.append('caffe根目錄/python') #路徑是自己下載的caffe的配置路徑
例如：我自己的路徑是/home/bml/bml/FCN/python（此處的FCN是caffe-master的複製版更名以後的，和caffe-master一樣的功能，經過編譯，可以使用）
- 另一種一勞永逸的方法是:在終端或者bashrc中將介面加入到
PYTHONPATH中：
export PYTHONPATH=caffe根目錄/python:$PYTHONPATH
本次我們採用後者。
在解壓程式碼的根目錄下找到一個檔案: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') 這裡指的是測試圖片路徑！
net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST) ，這裡指的是voc-fcn8s檔案下的部署檔案和模型。注意，fcn下每一個模型其實都對應於一個資料夾，而每個資料夾下應當放著這個模型的caffemodel檔案和prototxt檔案！
plt.savefig('test.png') ，這裡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！
修改完後的infer.py如下所示：
1 import numpy as np
2 from PIL import Image
3 import matplotlib.pyplot as plt
4 import caffe
5
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()
執行結束後會在軟體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後生成的圖片的區別：
可能會遇到的問題：
（1）no display name and no $DISPLAY environment variable
其實，在Ubuntu虛擬終端裡執行python infer.py是沒有任何錯誤的，但是我是通過遠端訪問連線伺服器的方式執行程式的。所以在執行到最後的時候會報這個錯。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組。
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。在往後，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資料集的製作！請各位看官耐心等待！