Keras預訓練的ImageNet模型實現分類操作
阿新 • • 發佈:2020-07-08
本文主要介紹通過預訓練的ImageNet模型實現影象分類,主要使用到的網路結構有:VGG16、InceptionV3、ResNet50、MobileNet。
程式碼:
import keras import numpy as np from keras.applications import vgg16,inception_v3,resnet50,mobilenet # 載入模型 vgg_model = vgg16.VGG16(weights='imagenet') inception_model = inception_v3.InceptionV3(weights='imagenet') resnet_model = resnet50.ResNet50(weights='imagenet') mobilenet_model = mobilenet.MobileNet(weights='imagenet') # 匯入所需的影象預處理模組 from keras.preprocessing.image import load_img from keras.preprocessing.image import img_to_array from keras.applications.imagenet_utils import decode_predictions import matplotlib.pyplot as plt %matplotlib inline filename= 'images/cat.jpg' # 將圖片輸入到網路之前執行預處理 ''' 1、載入影象,load_img 2、將影象從PIL格式轉換為Numpy格式,image_to_array 3、將影象形成批次,Numpy的expand_dims ''' # 以PIL格式載入影象 original = load_img(filename,target_size=(224,224)) print('PIL image size',original.size) plt.imshow(original) plt.show() # 將輸入影象從PIL格式轉換為Numpy格式 # In PIL-- 影象為(width,height,channel) # In Numpy——影象為(height,width,channel) numpy_image = img_to_array(original) plt.imshow(np.uint8(numpy_image)) plt.show() print('numpy array size',numpy_image.size) # 將影象/影象轉換為批量格式 # expand_dims將為特定軸上的資料新增額外的維度 # 網路的輸入矩陣具有形式(批量大小,高度,寬度,通道) # 因此,將額外的維度新增到軸0。 image_batch = np.expand_dims(numpy_image,axis=0) print('image batch size',image_batch.shape) plt.imshow(np.uint8(image_batch[0])) # 使用各種網路進行預測 # 通過從批處理中的影象的每個通道中減去平均值來預處理輸入。 # 平均值是通過從ImageNet獲得的所有影象的R,G,B畫素的平均值獲得的三個元素的陣列 # 獲得每個類的發生概率 # 將概率轉換為人類可讀的標籤 # VGG16 網路模型 # 對輸入到VGG模型的影象進行預處理 processed_image = vgg16.preprocess_input(image_batch.copy()) # 獲取預測得到的屬於各個類別的概率 predictions = vgg_model.predict(processed_image) # 輸出預測值 # 將預測概率轉換為類別標籤 # 預設情況下將得到最有可能的五種類別 label_vgg = decode_predictions(predictions) label_vgg # ResNet50網路模型 # 對輸入到ResNet50模型的影象進行預處理 processed_image = resnet50.preprocess_input(image_batch.copy()) # 獲取預測得到的屬於各個類別的概率 predictions = resnet_model.predict(processed_image) # 將概率轉換為類標籤 # 如果要檢視前3個預測,可以使用top引數指定它 label_resnet = decode_predictions(predictions,top=3) label_resnet # MobileNet網路結構 # 對輸入到MobileNet模型的影象進行預處理 processed_image = mobilenet.preprocess_input(image_batch.copy()) # 獲取預測得到屬於各個類別的概率 predictions = mobilenet_model.predict(processed_image) # 將概率轉換為類標籤 label_mobilnet = decode_predictions(predictions) label_mobilnet # InceptionV3網路結構 # 初始網路的輸入大小與其他網路不同。 它接受大小的輸入(299,299)。 # 因此,根據它載入具有目標尺寸的影象。 # 載入影象為PIL格式 original = load_img(filename,target_size=(299,299)) # 將PIL格式的影象轉換為Numpy陣列 numpy_image = img_to_array(original) # 根據批量大小重塑資料 image_batch = np.expand_dims(numpy_image,axis=0) # 將輸入影象轉換為InceptionV3所能接受的格式 processed_image = inception_v3.preprocess_input(image_batch.copy()) # 獲取預測得到的屬於各個類別的概率 predictions = inception_model.predict(processed_image) # 將概率轉換為類標籤 label_inception = decode_predictions(predictions) label_inception import cv2 numpy_image = np.uint8(img_to_array(original)).copy() numpy_image = cv2.resize(numpy_image,(900,900)) cv2.putText(numpy_image,"VGG16: {},{:.2f}".format(label_vgg[0][0][1],label_vgg[0][0][2]),(350,40),cv2.FONT_HERSHEY_SIMPLEX,1,(255,0),3) cv2.putText(numpy_image,"MobileNet: {},{:.2f}".format(label_mobilenet[0][0][1],label_mobilenet[0][0][2]),75),"Inception: {},{:.2f}".format(label_inception[0][0][1],label_inception[0][0][2]),110),"ResNet50: {},{:.2f}".format(label_resnet[0][0][1],label_resnet[0][0][2]),145),3) numpy_image = cv2.resize(numpy_image,(700,700)) cv2.imwrite("images/{}_output.jpg".format(filename.split('/')[-1].split('.')[0]),cv2.cvtColor(numpy_image,cv2.COLOR_RGB2BGR)) plt.figure(figsize=[10,10]) plt.imshow(numpy_image) plt.axis('off')
訓練資料:
執行結果:
以上這篇Keras預訓練的ImageNet模型實現分類操作就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。