使用keras内置的模型进行图片预测实例


Posted in Python onJune 17, 2020

keras 模块里面为我们提供了一个预训练好的模型,也就是开箱即可使用的图像识别模型

趁着国庆假期有时间我们就来看看这个预训练模型如何使用吧

可用的模型有哪些?

根据官方文档目前可用的模型大概有如下几个

1、VGG16

2、VGG19

3、ResNet50

4、InceptionResNetV2

5、InceptionV3

它们都被集成到了keras.applications 中

模型文件从哪来

当我们使用了这几个模型时,keras就会去自动下载这些已经训练好的模型保存到我们本机上面

模型文件会被下载到 ~/.keras/models/并在载入模型时自动载入

各个模型的信息:

使用keras内置的模型进行图片预测实例

如何使用预训练模型

使用大致分为三个步骤

1、导入所需模块

2、找一张你想预测的图像将图像转为矩阵

3、将图像矩阵放到模型中进行预测

关于图像矩阵的大小

VGG16,VGG19,ResNet50 默认输入尺寸是224x224

InceptionV3, InceptionResNetV2 模型的默认输入尺寸是299x299

代码demo

假设我现在有一张图片

使用keras内置的模型进行图片预测实例

我需要使用预训练模型来识别它

那我们就按照上面的步骤

第一步导入模块

from keras.applications import VGG16
from keras.applications import VGG19
from keras.applications import ResNet50
from keras.applications import InceptionV3
from keras.applications import InceptionResNetV2

第二步将图像转为矩阵

这里我们需要使用 keras.preprocessing.image 里面 img_to_array 来帮我们转

image = cv2.imread(img)
 image = cv2.resize(image, self.dim)
 image = img_to_array(image)
 image = np.expand_dims(image, axis=0)

第三步 将图像矩阵丢到模型中进行预测

predict = model.predict(preprocess)
decode_predict = decode_predictions(predict)

完整代码如下

1、配置文件

2、获取配置文件的模块

3、图像预测模块

配置文件

[image]
image_path=/home/fantasy/Pictures/cat.jpg
[model]
model=vgg16
[weights]
weight=imagenet

获取配置文件的模块

import configparser
cf = configparser.ConfigParser()
cf.read("configs.cnf")
def getOption(section, key):
  return cf.get(section, key)

图像预测模块以及主要实现

# keras 提供了一些预训练模型,也就是开箱即用的 已经训练好的模型
# 我们可以使用这些预训练模型来进行图像识别,目前的预训练模型大概可以识别2.2w种类型的东西
# 可用的模型:
# VGG16
# VGG19
# ResNet50
# InceptionResNetV2
# InceptionV3 
# 这些模型被集成到 keras.applications 中
# 当我们使用了这些内置的预训练模型时,模型文件会被下载到 ~/.keras/models/并在载入模型时自动载入
# VGG16,VGG19,ResNet50 默认输入尺寸是224x224
# InceptionV3, InceptionResNetV2 模型的默认输入尺寸是299x299

# 使用内置的预训练模型的步骤
# step1 导入需要的模型
# step2 将需要识别的图像数据转换为矩阵(矩阵的大小需要根据模型的不同而定)
# step3 将图像矩阵丢到模型里面进行预测
# -------------------------------------------------------
# step1 
import cv2
import numpy as np
from getConfig import getOption
from keras.applications import VGG16
from keras.applications import VGG19
from keras.applications import ResNet50
from keras.applications import InceptionV3
from keras.applications import InceptionResNetV2
from keras.applications import imagenet_utils
from keras.applications.imagenet_utils import decode_predictions
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.applications.inception_v3 import preprocess_input

class ImageTools(object):
  """
  使用keras预训练模型进行图像识别
  """
  def __init__(self, img, model, w):
    self.image = img
    self.model = model
    self.weight = w
    
  # step2
  def image2matrix(self, img):
    """
    将图像转为矩阵
    """
    image = cv2.imread(img)
    image = cv2.resize(image, self.dim)
    image = img_to_array(image)
    image = np.expand_dims(image, axis=0)
    return image

  @property
  def dim(self):
    """
    图像矩阵的维度
    """
    if self.model in ["inceptionv3", "inceptionresnetv2"]:
      shape = (299, 299)
    else:
      shape = (224, 224)

    return shape

  @property
  def Model(self):
    """
    模型
    """
    models = {
      "vgg16": VGG16,
      "vgg19": VGG19,
      "resnet50": ResNet50,
      "inceptionv3": InceptionV3,
      "inceptionresnetv2": InceptionResNetV2
    }
    return models[self.model]

  # step3 
  def prediction(self):
    """
    预测
    """
    model = self.Model(weights=self.weight)
    if self.model in ["inceptionv3", "inceptionresnetv2"]:
      preprocess = preprocess_input(self.image2matrix(self.image))
    else:
      preprocess = imagenet_utils.preprocess_input(self.image2matrix(self.image))

    predict = model.predict(preprocess)

    decode_predict = decode_predictions(predict)

    for (item, (imgId, imgLabel, proba)) in enumerate(decode_predict[0]):
      print("{}, {}, {:.2f}%".format(item + 1, imgLabel, proba * 100))


if __name__ == "__main__":
  image = getOption("image", "image_path")
  model = getOption("model", "model")
  weight = getOption("weights", "weight")
  tools = ImageTools(image, model, weight)
  tools.prediction()

运行起来时会将模型文件下载到本机,因此第一次运行会比较久(有可能出现的情况就是下载不了,被墙了)

使用keras内置的模型进行图片预测实例

我们来看看使用VGG16的模型预测输出的效果如何

使用keras内置的模型进行图片预测实例

最后如果大家需要使用其他模型时修改 配置文件的model 即可

以上这篇使用keras内置的模型进行图片预测实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
用Python计算三角函数之atan()方法的使用
May 15 Python
python中input()与raw_input()的区别分析
Feb 27 Python
Python实现二叉树结构与进行二叉树遍历的方法详解
May 24 Python
Django学习笔记之Class-Based-View
Feb 15 Python
Python基于回溯法子集树模板解决马踏棋盘问题示例
Sep 11 Python
Python进阶之递归函数的用法及其示例
Jan 31 Python
python 获取字符串MD5值方法
May 29 Python
Python的Lambda函数用法详解
Sep 03 Python
学习Django知识点分享
Sep 11 Python
python Dijkstra算法实现最短路径问题的方法
Sep 19 Python
Python如何实现邮件功能
May 27 Python
python RSA加密的示例
Dec 09 Python
Python虚拟环境库virtualenvwrapper安装及使用
Jun 17 #Python
基于TensorFlow的CNN实现Mnist手写数字识别
Jun 17 #Python
Keras 加载已经训练好的模型进行预测操作
Jun 17 #Python
基于Tensorflow的MNIST手写数字识别分类
Jun 17 #Python
Kears 使用:通过回调函数保存最佳准确率下的模型操作
Jun 17 #Python
Python多线程threading创建及使用方法解析
Jun 17 #Python
Python偏函数Partial function使用方法实例详解
Jun 17 #Python
You might like
用PHP伪造referer突破网盘禁止外连的代码
2008/06/15 PHP
使用jQuery实现的掷色子游戏动画效果
2014/03/14 Javascript
对JavaScript中this指针的新理解分享
2015/01/31 Javascript
jquery合并表格中相同文本的相邻单元格
2015/07/17 Javascript
jquery用ajax方式从后台获取json数据后如何将内容填充到下拉列表
2015/08/26 Javascript
如何在JS中实现相互转换XML和JSON
2016/07/19 Javascript
Angular2 路由问题修复详解
2017/03/01 Javascript
详细讲解vue2+vuex+axios
2017/05/27 Javascript
详解10分钟学会vue滚动行为
2017/09/21 Javascript
JS基于贪心算法解决背包问题示例
2017/11/27 Javascript
解决vue router组件状态刷新消失的问题
2018/08/01 Javascript
ES6中异步对象Promise用法详解
2019/07/31 Javascript
JS相册图片抖动放大展示效果的示例代码
2021/01/29 Javascript
[07:59]2014DOTA2叨叨刀塔 林熊猫称被邀请赛现场盛况震撼
2014/07/21 DOTA
[01:29:46]DOTA2上海特级锦标赛C组资格赛#1 OG VS LGD第二局
2016/02/27 DOTA
Python学习笔记(一)(基础入门之环境搭建)
2014/06/05 Python
在Python中封装GObject模块进行图形化程序编程的教程
2015/04/14 Python
Python实现列表转换成字典数据结构的方法
2016/03/11 Python
Python实现的视频播放器功能完整示例
2018/02/01 Python
Tensorflow之构建自己的图片数据集TFrecords的方法
2018/02/07 Python
tensorflow识别自己手写数字
2018/03/14 Python
Django的性能优化实现解析
2019/07/30 Python
Python 类属性与实例属性,类对象与实例对象用法分析
2019/09/20 Python
python实现Oracle查询分组的方法示例
2020/04/30 Python
python“静态”变量、实例变量与本地变量的声明示例
2020/11/13 Python
CSS3 rgb and rgba(透明色)的使用详解
2020/09/25 HTML / CSS
自动化专业职业生涯规划书范文
2014/01/16 职场文书
英语老师推荐信
2014/02/26 职场文书
产品质量保证书
2014/04/29 职场文书
迎新生标语大全
2014/10/06 职场文书
2015年音乐教师个人工作总结
2015/05/20 职场文书
离职证明格式样本
2015/06/12 职场文书
大学生奶茶店创业计划书
2019/06/25 职场文书
Python代码风格与编程习惯重要吗?
2021/06/03 Python
Innodb存储引擎中的后台线程详解
2022/04/03 MySQL
Java 关于String字符串原理上的问题
2022/04/07 Java/Android