FCN小小实战

先说一下前期准备工作：自己的运行环境是Ubuntu16.04+caffe+CPU（这台电脑没有GPU）+python

关于python的搭建就不说了，网上随便一搜，很多参考资源。说一下我配置好caffe之后，编译python接口时遇到的问题，以及我用到的解决办法。

比较顺利地配置好caffe只后，到了make pycaffe的时候，提示如下错误：

后来执行：~/caffe$ locate pyconfig.h

找到头文件pyconfig.h

下面是一步至关重要的操作：~/caffe$export CPLUS_INCLUDE_PATH=/usr/include/python2.7

就是这一步，我的问题完美解决。看一下编译成功的场景：

import caffe成功！

接下来就可以跑一下FCN了，由于本台电脑条件有限，直接使用大神已经跑好的模型进行测试，要这台电脑去跑此模型，有点费时。

ＯＫ，下面进入测试操作：

作者在github上开源了代码:Fully Convolutional Networks，我们首先将代码下载并且解压到home目录下。

下载voc-fcn32s,voc-fcn16s以及voc-fcn8s的caffemodel（根据提供好的caffemodel-url)，fcn-16s和fcn32s都是缺少deploy.prototxt的，需要根据train.prototxt稍加修改。 

后续步骤：

修改infer.py文件：

• caffe path的加入，由于FCN代码和caffe代码是独立的文件夹，因此，须将caffe的Python接口加入到path中去。这里有两种方案，一种是在所有代码中出现import caffe 之前，加入：

  import sys
  sys.path.append('caffe根目录/python')

• 另一种一劳永逸的方法是:在终端或者bashrc中将接口加入到PYTHONPATH中：  export PYTHONPATH=caffe根目录/python:$PYTHONPATH

本次我们采用后者。

 在解压代码的根目录下找到一个文件:infer.py。略微修改infer.py,就可以测试我们自己的图片了，请大家根据自己实际情况来进行修改。

im = Image.open('voc-fcn8s/test.jpeg') 这里指的是测试图片路径！

net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST) ，这里指的是voc-fcn8s文件下的部署文件和模型。

注意，fcn下每一个模型其实都对应于一个文件夹，而每个文件夹下应当放着这个模型的caffemodel文件和prototxt文件！

plt.savefig('test.png')，这里指的是最终分割的结果应当放置在哪个路径下，大家都知道，语义分割的结果应当是一张图片！

修改完后的infer.py如下所示：

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import caffe

# load image, switch to BGR, subtract mean, and make dims C x H x W for Caffe
im = Image.open('voc-fcn8s/test.jpeg')
in_ = np.array(im, dtype=np.float32)
in_ = in_[:,:,::-1]
in_ -= np.array((104.00698793,116.66876762,122.67891434))
in_ = in_.transpose((2,0,1))

# load net
net = caffe.Net('voc-fcn8s/deploy.prototxt', 'voc-fcn8s/fcn8s-heavy-pascal.caffemodel', caffe.TEST)
# shape for input (data blob is N x C x H x W), set data
net.blobs['data'].reshape(1, *in_.shape)
net.blobs['data'].data[...] = in_
# run net and take argmax for prediction
net.forward()
out = net.blobs['score'].data[0].argmax(axis=0) 

plt.imshow(out,cmap='gray');
plt.axis('off')
plt.savefig('test.png')
#plt.show()

然后终端运行：python infer.py

运行结束后会在软件的根目录下生成一个分割好的图片test.png！