OpenCV3与深度学习实例-使用GoogLeNet模型进行图片分类识别

视觉与物联智能

于 2018-09-12 11:38:00 发布

阅读量956

点赞数

CC 4.0 BY-SA版权

分类专栏： OpenCV深度神经网络模块实例

本文链接：https://blog.csdn.net/wujuxKkoolerter/article/details/86152601

OpenCV深度神经网络模块实例专栏收录该内容

20 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文通过实例介绍了如何结合OpenCV3和深度学习模型GoogLeNet，实现对图片的分类识别。文章详细阐述了运行过程，并展示了实际的运行结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#coding:utf-8

import cv2 as cv
import time
import numpy as np

def predict(image_path):
	
	prototxt = 'datas/models/caffe/bvlc_googlenet.prototxt'
	
	caffemodel = 'datas/models/caffe/bvlc_googlenet.caffemodel'
	
	synsetwords = 'datas/models/caffe/bvlc_googlenet_synset_words.txt'

	image = cv.imread(image_path)
	image = cv.resize(image,(256,256))
	# 加载分类
	rows = open(synsetwords).read().strip().split("\n")
	classes = [r[r.find(" ") + 1:].split(",")[0] for r in rows]

	# 根据 Deploy 的 Prototxt, 得知训练后的 CNN model 需要输入数据的维度为
	# (1, 3, 224, 224)
	# 透过训练时的 Prototxt, 可以得知训练集的 Pixel RGB 平均值为 (104, 117, 123)
	# https://github.com/BVLC/caffe/blob/master/models/bvlc_googlenet/train_val.prototxt
	# 做 Mean subtraction 的目的 : 改善对抗光线改变造成的影响
	blob