在Ubuntu上安装CPU版本的Caffe

夜雨飘零

发布于 2020-05-06 11:51:52

2.8K0

发布于 2020-05-06 11:51:52

文章被收录于专栏：CSDN博客CSDN博客

原文博客：Doi技术团队链接地址：https://blog.doiduoyi.com/authors/1584446358138 初心：记录优秀的Doi技术团队学习经历

前言

Caffe是目前比较常用的深度学习框架，这个框架安装没有其他一下主流框架那么简单，直接使用pip命令安装，它更常用的是使用编译的方式安装。所以写下这个文章记录一下。

在Ubuntu上安装Caffe

如果Ubuntu版本是>= 17.04的，就可以使用以下的方式安装Caffe，注意安装的是Python 3的版本。

apt install caffe-cpu

如果是低于这版本，就要使用源码编译了，笔者的系统是64位的Ubuntu 16.04，下面就介绍安装步骤，使用的Python 2。

安装依赖环境

首先我们要安装依赖环境，依赖环境有点多，需要保证都安装了，以免在编译的时候出错。如果之前安装过了，重复执行命令也没有问题的。

apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
apt-get install --no-install-recommends libboost-all-dev  
apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
apt-get install libatlas-base-dev
apt-get install python-numpy
apt-get install libhdf5-serial-dev
apt-get install python-dev
apt install python-pip
pip install scikit-image

修改编译文件

我们使用的是源码编译，所以要先克隆源码，然后拷贝官方提供的编译配置例子。

# 切换到opt目录下
cd /opt
# 克隆caffe源码
git clone git://github.com/BVLC/caffe.git
# 切入到源码根目录
cd caffe/
# 复制官方提供的编译配置文件例子
cp Makefile.config.example Makefile.config
# 开始编写配置信息
vim Makefile.config

修改这个配置文件如下：

把第8行的注释取消，编译CPU版本的Caffe，即如下：

CPU_ONLY := 1

然后版96、97、98行，改成如下：

# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial

开始编译

现在就可以开始编译了，前面两条是编译源码，后面两条是编译测试，-j4是表示使用4个线程并行编译，加快编译速度。

make -j4 pycaffe
make -j4 all
make -j4 test
make -j4 runtest

添加环境变量

使用命令vim /etc/profile，在该文件的最后加上下面的这行代码。

export PYTHONPATH=/opt/caffe/python:$PYTHONPATH

我们可以简单测试一下是否安装成功了，正常的话是可以输出caffe的版本信息的。

# python
Python 2.7.12 (default, Dec  4 2017, 14:50:18)
[GCC 5.4.0 20160609] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import caffe
>>> caffe.__version__

会输出如下信息：

'1.0.0'

使用模型预测图片

安装完成caffe之后，我们可以使用模型来预测一下图片。笔者在这里下载caffe模型，下面的代码中我们使用的是modelnet V2的模型。

# coding=utf-8
from __future__ import print_function
import numpy as np
import caffe

# 修改图片大小
def get_img(img_path, nh, nw):
    im = caffe.io.load_image(img_path)
    h, w, _ = im.shape
    if h < w:
        off = (w - h) / 2
        im = im[:, off:off + h]
    else:
        off = (h - w) / 2
        im = im[off:off + h, :]
    im = caffe.io.resize_image(im, [nh, nw])
    return im

def eval(image_path, nh, nw):
    caffe.set_mode_cpu()
    # 加载模型
    net = caffe.Net("mobilenet_v2_deploy.prototxt", "mobilenet_v2.caffemodel", caffe.TEST)

	# 设置对图片预处理的方式
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))  # row to col
    transformer.set_channel_swap('data', (2, 1, 0))  # RGB to BGR
    transformer.set_raw_scale('data', 255)  # [0,1] to [0,255]
    # 减去图片的均值
    img_mean = np.array([103.94, 116.78, 123.68], dtype=np.float32)
    transformer.set_mean('data', img_mean)
    # 乘上一个比例
    transformer.set_input_scale('data', 0.017)
    # 改变图片维度
    net.blobs['data'].reshape(1, 3, nh, nw)

    im = get_img(image_path, nh, nw)
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    out = net.forward()
    # 得到预测结果
    prob = out['prob']
    prob = np.squeeze(prob)
    idx = np.argsort(-prob)
    # 获取最大概率的label
    label = idx[0]
    # 读取label文件内容
    label_names = np.loadtxt('synset.txt', str, delimiter='\t')
    print('%.5f - %s' % (prob[label], label_names[label]))

if __name__ == '__main__':
    image_path = "cat.jpg"
    nh, nw = 224, 224
    eval(image_path, nh, nw)

以下这函数是改变图片的大小，使它满足模型的需求，注意如果是Python 3的话，除法要使用//，而不是/，这是Python 3的一个改变。

def get_img(img_path, nh, nw):
    im = caffe.io.load_image(img_path)
    h, w, _ = im.shape
    if h < w:
        off = (w - h) / 2
        im = im[:, off:off + h]
    else:
        off = (h - w) / 2
        im = im[off:off + h, :]
    im = caffe.io.resize_image(im, [nh, nw])
    return im

以下代码是指定CPU和加载模型的定义文件和权重文件，这个两个文件就是我们从GitHub那里下载的。

    caffe.set_mode_cpu()
    net = caffe.Net("mobilenet_v2_deploy.prototxt", "mobilenet_v2.caffemodel", caffe.TEST)

下面代码片段是定义图片的预处理方式，如改变通道顺序，每个像素减去均值，每个像素乘上一个比例。

    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))  # row to col
    transformer.set_channel_swap('data', (2, 1, 0))  # RGB to BGR
    transformer.set_raw_scale('data', 255)  # [0,1] to [0,255]
    img_mean = np.array([103.94, 116.78, 123.68], dtype=np.float32)
    transformer.set_mean('data', img_mean)
    transformer.set_input_scale('data', 0.017)
    net.blobs['data'].reshape(1, 3, nh, nw)

以下代码片段是加载图片得到预测结果的，out['prob']输出的是每个label的概率，使用到的synset.txt也是刚才那个GitHub上的文件，这个文件的内容是每个label对应的名称。最后输出的是概率最大的label对应的概率和这个label对应的名字。

    im = get_img(image_path, nh, nw)
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    out = net.forward()
    prob = out['prob']
    prob = np.squeeze(prob)
    idx = np.argsort(-prob)
    label = idx[0]
    label_names = np.loadtxt('synset.txt', str, delimiter='\t')
    print('%.5f - %s' % (prob[label], label_names[label]))

输出的结果如下：