调整inference过程中，神经网络识别物体种类数，思路整理

 

1.考虑使用训练好的imagenet模型分类图像

思路

来自http://www.cnblogs.com/sunshineatnoon/p/4678107.html，博客中作者使用bvlc_reference_caffenet.caffemodel模型来进行图像分类，重点在代码的最后一段

32         #预测图片类别

33         prediction = net.predict([input_image])

34         print 'predicted class:',prediction[0].argmax()

35

36         # 输出概率最大的前5个预测结果

37         top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]

38         print labels[top_k]

考虑可以通过修改这一部分来调整预测到的物体种类

可能存在的问题

如果修改这段代码，是否只是不显示某些结果，而并不是不进行预测，如果这样的话时间上没有区别

相关资料

https://www.cnblogs.com/denny402/p/5111018.html 同样使用bvlc_reference_caffenet.caffemodel，流程更加清晰

 

2.使用yolo识别物体

(1)思路

对一张图片中的物体进行ps处理，以此达到改变物体数目的目的

(2)实验结果

当图片中只有1个人时，耗时如下

当图片中有5个人一只马时

当图片中有5个人6只狗1个马时

根据以上结果，初步可以得出结论，使用yolo做模型时，对于同样大小的图片，运行时间与图片中检测到的物体数目不存在直接的关系。当然因为ps的关系，有识别错误的现象，应该不影响结论

(3)可能存在的问题

问题应该是来自yolo本身，在论文中介绍，这是一个只需要一次就能够识别所有物体的模型

(4)相关资料

http://blog.csdn.net/ma3252788/article/details/74659230