Как получить выходное изображение или «вывод», используя модель caffe и файл deploy.prototxt

Question

Я новичок в кофе, и у меня проблемы с пониманием кофе. У меня есть обученная модель в caffe, а также модель train.net и deploy.net. Я пытаюсь что-то похожее на семантической сегментации. Цель состоит в том, чтобы предсказать, какие пиксели неба на изображении, а какие - на земле. У меня есть подготовленная модель кафе и файлы train.net и deploy.net. Формат входных данных для caffe здесь - lmdb. Я не уверен, как использовать caffe для прогнозирования на основе нового входного изображения. Кроме того, может ли Caffe выводить изображение в виде изображения?

Вот файл deploy.net, который я использую

name: "DeepBlueSky"
input: "data"
input_dim: 1
input_dim: 3
input_dim: 240
input_dim: 320 
layers {
  name: "dummy_data"
  type: DUMMY_DATA
  top: "label_0"
  dummy_data_param {
    data_filler {
      type: "constant"
      std: .5 
    }
    num: 1 
    channels: 1
    height: 240
    width: 320
  }
}

layers {
  name: "combine_1"
  type: CONCAT
  bottom: "data"
  bottom: "label_0"
  top: "combine_1"
  concat_param {
    concat_dim: 1
  }
}
layers {
  name: "conv1_1"
  type: CONVOLUTION
  bottom: "combine_1"
  top: "conv1_1"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 20 
    pad: 4
    kernel_size: 9 
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv1_blob_W"
  param: "conv1_blob_b"
}
layers {
  name: "act1_1"
  type: TANH 
  bottom: "conv1_1"
  top: "conv1_1"
}
layers {
  name: "conv2_1"
  type: CONVOLUTION
  bottom: "conv1_1"
  top: "conv2_1"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 15 
    pad: 4
    kernel_size: 9 
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv2_blob_W"
  param: "conv2_blob_b"
}
layers {
  name: "act2_1"
  type: TANH 
  bottom: "conv2_1"
  top: "conv2_1"
}
layers {
  name: "conv3_1"
  type: CONVOLUTION
  bottom: "conv2_1"
  top: "conv3_1"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 1 
    pad: 0
    kernel_size: 1
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv3_blob_W"
  param: "conv3_blob_b"
}
layers {
  name: "act3_1"
  type: SIGMOID 
  bottom: "conv3_1"
  top: "label_1"
}

layers {
  name: "combine_2"
  type: CONCAT
  bottom: "data"
  bottom: "label_1"
  top: "combine_2"
  concat_param {
    concat_dim: 1
  }
}
layers {
  name: "conv1_2"
  type: CONVOLUTION
  bottom: "combine_2"
  top: "conv1_2"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 20 
    pad: 4
    kernel_size: 9 
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv1_blob_W"
  param: "conv1_blob_b"
}
layers {
  name: "act1_2"
  type: TANH 
  bottom: "conv1_2"
  top: "conv1_2"
}
layers {
  name: "conv2_2"
  type: CONVOLUTION
  bottom: "conv1_2"
  top: "conv2_2"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 15 
    pad: 4
    kernel_size: 9 
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv2_blob_W"
  param: "conv2_blob_b"
}
layers {
  name: "act2_2"
  type: TANH 
  bottom: "conv2_2"
  top: "conv2_2"
}
layers {
  name: "conv3_2"
  type: CONVOLUTION
  bottom: "conv2_2"
  top: "conv3_2"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 1 
    pad: 0
    kernel_size: 1
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv3_blob_W"
  param: "conv3_blob_b"
}
layers {
  name: "act3_2"
  type: SIGMOID 
  bottom: "conv3_2"
  top: "label_2"
}



layers {
  name: "combine_3"
  type: CONCAT
  bottom: "data"
  bottom: "label_2"
  top: "combine_3"
  concat_param {
    concat_dim: 1
  }
}
layers {
  name: "conv1_3"
  type: CONVOLUTION
  bottom: "combine_3"
  top: "conv1_3"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 20 
    pad: 4
    kernel_size: 9
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv1_blob_W"
  param: "conv1_blob_b"
}
layers {
  name: "act1_3"
  type: TANH 
  bottom: "conv1_3"
  top: "conv1_3"
}
layers {
  name: "conv2_3"
  type: CONVOLUTION
  bottom: "conv1_3"
  top: "conv2_3"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 15 
    pad: 4
    kernel_size: 9 
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv2_blob_W"
  param: "conv2_blob_b"
}
layers {
  name: "act2_3"
  type: TANH 
  bottom: "conv2_3"
  top: "conv2_3"
}
layers {
  name: "conv3_3"
  type: CONVOLUTION
  bottom: "conv2_3"
  top: "conv3_3"
  blobs_lr: 1
  blobs_lr: 2
  convolution_param {
    num_output: 1 
    pad: 0
    kernel_size: 1
    stride: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  param: "conv3_blob_W"
  param: "conv3_blob_b"
}
layers {
  name: "act3_3"
  type: SIGMOID 
  bottom: "conv3_3"
  top: "label_3"
}