Python Coremltools转换CAFEMODEL问题

有一个奇妙的设置说明，允许应用任何图像的风格到我的照片

但它返回.caffemodel格式，我想将其转换为核心ML格式

有一个

我创建了一个python文件，其中包含：

import coremltools

    # Convert a Caffe model to a classifier in Core ML
    coreml_model = coremltools.converters.caffe.convert(
        ('nin_imagenet_conv.caffemodel', 'train_val.prototxt'), predicted_feature_name='class_labels.txt'
    )

    # Now save the model
    coreml_model.save('nin_imagenet_conv.mlmodel')

然后在终端中运行

python convert.py

但是我得到了一个错误：

================= Starting Conversion from Caffe to CoreML ======================
Layer 0: Type: 'Data', Name: 'data'. Output(s): 'data', 'label'.
WARNING: Skipping Data Layer 'data' of type 'Data'. It is recommended to use Input layer for deployment.
Layer 1: Type: 'Data', Name: 'data'. Output(s): 'data', 'label'.
WARNING: Skipping Data Layer 'data' of type 'Data'. It is recommended to use Input layer for deployment.
Layer 2: Type: 'Convolution', Name: 'conv1'. Input(s): 'data'. Output(s): 'conv1'.
Layer 3: Type: 'ReLU', Name: 'relu0'. Input(s): 'conv1'. Output(s): 'conv1'.
Layer 4: Type: 'Convolution', Name: 'cccp1'. Input(s): 'conv1'. Output(s): 'cccp1'.
Layer 5: Type: 'ReLU', Name: 'relu1'. Input(s): 'cccp1'. Output(s): 'cccp1'.
Layer 6: Type: 'Convolution', Name: 'cccp2'. Input(s): 'cccp1'. Output(s): 'cccp2'.
Layer 7: Type: 'ReLU', Name: 'relu2'. Input(s): 'cccp2'. Output(s): 'cccp2'.
Layer 8: Type: 'Pooling', Name: 'pool0'. Input(s): 'cccp2'. Output(s): 'pool0'.
Layer 9: Type: 'Convolution', Name: 'conv2'. Input(s): 'pool0'. Output(s): 'conv2'.
Layer 10: Type: 'ReLU', Name: 'relu3'. Input(s): 'conv2'. Output(s): 'conv2'.
Layer 11: Type: 'Convolution', Name: 'cccp3'. Input(s): 'conv2'. Output(s): 'cccp3'.
Layer 12: Type: 'ReLU', Name: 'relu5'. Input(s): 'cccp3'. Output(s): 'cccp3'.
Layer 13: Type: 'Convolution', Name: 'cccp4'. Input(s): 'cccp3'. Output(s): 'cccp4'.
Layer 14: Type: 'ReLU', Name: 'relu6'. Input(s): 'cccp4'. Output(s): 'cccp4'.
Layer 15: Type: 'Pooling', Name: 'pool2'. Input(s): 'cccp4'. Output(s): 'pool2'.
Layer 16: Type: 'Convolution', Name: 'conv3'. Input(s): 'pool2'. Output(s): 'conv3'.
Layer 17: Type: 'ReLU', Name: 'relu7'. Input(s): 'conv3'. Output(s): 'conv3'.
Layer 18: Type: 'Convolution', Name: 'cccp5'. Input(s): 'conv3'. Output(s): 'cccp5'.
Layer 19: Type: 'ReLU', Name: 'relu8'. Input(s): 'cccp5'. Output(s): 'cccp5'.
Layer 20: Type: 'Convolution', Name: 'cccp6'. Input(s): 'cccp5'. Output(s): 'cccp6'.
Layer 21: Type: 'ReLU', Name: 'relu9'. Input(s): 'cccp6'. Output(s): 'cccp6'.
Layer 22: Type: 'Pooling', Name: 'pool3'. Input(s): 'cccp6'. Output(s): 'pool3'.
Layer 23: Type: 'Dropout', Name: 'drop'. Input(s): 'pool3'. Output(s): 'pool3'.
WARNING: Skipping training related layer 'drop' of type 'Dropout'.
Layer 24: Type: 'Convolution', Name: 'conv4-1024'. Input(s): 'pool3'. Output(s): 'conv4'.
Layer 25: Type: 'ReLU', Name: 'relu10'. Input(s): 'conv4'. Output(s): 'conv4'.
Layer 26: Type: 'Convolution', Name: 'cccp7-1024'. Input(s): 'conv4'. Output(s): 'cccp7'.
Layer 27: Type: 'ReLU', Name: 'relu11'. Input(s): 'cccp7'. Output(s): 'cccp7'.
Layer 28: Type: 'Convolution', Name: 'cccp8-1024'. Input(s): 'cccp7'. Output(s): 'cccp8'.
Layer 29: Type: 'ReLU', Name: 'relu12'. Input(s): 'cccp8'. Output(s): 'cccp8'.
Layer 30: Type: 'Pooling', Name: 'pool4'. Input(s): 'cccp8'. Output(s): 'pool4'.
Layer 31: Type: 'Accuracy', Name: 'accuracy'. Input(s): 'pool4', 'label'. Output(s): 'accuracy'.
WARNING: Skipping training related layer 'accuracy' of type 'Accuracy'.
Layer 32: Type: 'SoftmaxWithLoss', Name: 'loss'. Input(s): 'pool4', 'label'. WARNING: Skipping training related layer 'loss' of type 'SoftmaxWithLoss'.

================= Summary of the conversion: ===================================
Traceback (most recent call last):
  File "convert.py", line 5, in <module>
    ('nin_imagenet_conv.caffemodel', 'train_val.prototxt'), predicted_feature_name='class_labels.txt'
  File "/Users/pavel.tarasevich/Library/Python/2.7/lib/python/site-packages/coremltools/converters/caffe/_caffe_converter.py", line 192, in convert
    predicted_feature_name)
  File "/Users/pavel.tarasevich/Library/Python/2.7/lib/python/site-packages/coremltools/converters/caffe/_caffe_converter.py", line 260, in _export
    predicted_feature_name)
RuntimeError: Unable to infer input name and dimensions. Please provide a .prototxt file with 'Input' layer and dimensions defined.

=====================开始从Caffe到CoreML的转换======================
图层0:类型：“数据”，名称：“数据”。输出：“数据”、“标签”。
警告：正在跳过类型为“Data”的数据层“Data”。建议使用输入层进行部署。
第1层：类型：“数据”，名称：“数据”。输出：“数据”、“标签”。
警告：正在跳过类型为“Data”的数据层“Data”。建议使用输入层进行部署。
第2层：类型：“卷积”，名称：“conv1”。输入：“数据”。输出：“conv1”。
第3层：类型：“ReLU”，名称：“relu0”。输入：“conv1”。输出：“conv1”。
第4层：类型：“卷积”，名称：“cccp1”。输入：“conv1”。输出：“cccp1”。
第5层：类型：“ReLU”，名称：“relu1”。输入：“cccp1”。输出：“cccp1”。
第6层：类型：“卷积”，名称：“cccp2”。输入：“cccp1”。输出：“cccp2”。
第7层：类型：“ReLU”，名称：“relu2”。输入：“cccp2”。输出：“cccp2”。
第8层：类型：“池”，名称：“池0”。输入：“cccp2”。输出：'pool0'。
第9层：类型：“卷积”，名称：“conv2”。输入：'pool0'。输出：'conv2'。
第10层：类型：“ReLU”，名称：“relu3”。输入：'conv2'。输出：'conv2'。
第11层：类型：“卷积”，名称：“cccp3”。输入：'conv2'。输出：“cccp3”。
第12层：类型：“ReLU”，名称：“relu5”。输入：“cccp3”。输出：“cccp3”。
第13层：类型：“卷积”，名称：“cccp4”。输入：“cccp3”。输出：“cccp4”。
第14层：类型：“ReLU”，名称：“relu6”。输入：“cccp4”。输出：“cccp4”。
第15层：类型：“池”，名称：“池2”。输入：“cccp4”。输出：'pool2'。
第16层：类型：“卷积”，名称：“conv3”。输入：'pool2'。输出：“conv3”。
第17层：类型：“ReLU”，名称：“relu7”。输入：“conv3”。输出：“conv3”。
第18层：类型：“卷积”，名称：“cccp5”。输入：“conv3”。输出：“cccp5”。
第19层：类型：“ReLU”，名称：“relu8”。输入：“cccp5”。输出：“cccp5”。
第20层：类型：“卷积”，名称：“cccp6”。输入：“cccp5”。输出：“cccp6”。
第21层：类型：“ReLU”，名称：“relu9”。输入：“cccp6”。输出：“cccp6”。
第22层：类型：“池”，名称：“池3”。输入：“cccp6”。输出：“池3”。
第23层：类型：“Dropout”，名称：“drop”。输入：'pool3'。输出：“池3”。
警告：跳过类型为“辍学”的培训相关层“辍学”。
第24层：类型：“卷积”，名称：“conv4-1024”。输入：'pool3'。输出：“conv4”。
第25层：类型：“ReLU”，名称：“relu10”。输入：“conv4”。输出：“conv4”。
第26层：类型：“卷积”，名称：“cccp7-1024”。输入：“conv4”。输出：“cccp7”。
第27层：类型：“ReLU”，名称：“relu11”。输入：“cccp7”。输出：“cccp7”。
第28层：类型：“卷积”，名称：“cccp8-1024”。输入：“cccp7”。输出：“cccp8”。
第29层：类型：“ReLU”，名称：“relu12”。输入：“cccp8”。输出：“cccp8”。
第30层：类型：“池”，名称：“池4”。输入：“cccp8”。输出：'pool4'。
第31层：类型：“精度”，名称：“精度”。输入：'pool4'，'label'。输出：“准确度”。
警告：跳过“准确性”类型的培训相关层“准确性”。
第32层：类型：“SoftmaxWithLoss”，名称：“loss”。输入：'pool4'，'label'。警告：跳过“SoftmaxWithLoss”类型的培训相关层“loss”。
========================转换摘要：===================================
回溯（最近一次呼叫最后一次）：
文件“convert.py”，第5行，在
（'nin_imagenet_conv.caffemodel'，'train_val.prototxt'），predicted_feature_name='classu labels.txt'
文件“/Users/pavel.tarasevich/Library/Python/2.7/lib/Python/site packages/coremltools/converters/caffe/_-caffe_-converter.py”，第192行，在convert中
预测的特征（名称）
文件“/Users/pavel.tarasevich/Library/Python/2.7/lib/Python/site packages/coremltools/converts/caffe/_-caffe_-converter.py”，第260行，在导出中
预测的特征（名称）
运行时错误：无法推断输入名称和维度。请提供一个定义了“输入”图层和尺寸的.prototxt文件。

在prototxt文件的顶部，添加以下内容：

input: "data"
input_dim: 1
input_dim: 3
input_dim: 224
input_dim: 224

尺寸顺序为：批量大小、通道、高度、宽度。您需要为模型中的每个输入添加其中一个部分

---

输入的名称（此处，

“数据”

）必须与第一层中的

底部

字段相同。

错误消息指出了错误：您需要更改prototxt文件，为其提供一个具有图像宽度和高度的输入层。看起来您使用的是培训协议而不是部署协议。@MatthijsHollemans我提供了带有另一个协议文件的dropbox链接，但对我来说它不起作用。在另一种情况下，我不知道如何添加图像宽度和高度的输入层，请您在示例中提供帮助。我可以开始悬赏，如果它有助于我补充如何做这作为一个答案。