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
python中元类用法实例
Oct 10 Python
Python实现的监测服务器硬盘使用率脚本分享
Nov 07 Python
在Python中处理字符串之isdigit()方法的使用
May 18 Python
Django URL传递参数的方法总结
Aug 28 Python
Python使用pymysql小技巧
Jun 04 Python
Python3实现的Mysql数据库操作封装类
Jun 06 Python
python得到单词模式的示例
Oct 15 Python
基于wxPython的GUI实现输入对话框(2)
Feb 27 Python
python中对_init_的理解及实例解析
Oct 11 Python
Python魔术方法专题
Jun 19 Python
Pycharm Available Package无法显示/安装包的问题Error Loading Package List解决
Sep 18 Python
Python中异常处理用法
Nov 27 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
php你的验证码安全码?
2007/01/02 PHP
PHP代码网站如何防范SQL注入漏洞攻击建议分享
2012/03/01 PHP
用PHP实现 上一篇、下一篇的代码
2012/09/29 PHP
PHP遍历文件夹与文件类及处理类用法实例
2014/09/23 PHP
php实现俄罗斯乘法实例
2015/03/07 PHP
JQuery 常用操作代码
2010/03/14 Javascript
js+css实现增加表单可用性之提示文字
2013/06/03 Javascript
jquery实现div阴影效果示例代码
2013/09/16 Javascript
JS获取计算机mac地址以及IP的实现方法
2014/01/08 Javascript
jQuery结合CSS制作动态的下拉菜单
2015/10/27 Javascript
CSS3 3D 技术手把手教你玩转
2016/09/02 Javascript
有关JS中的0,null,undefined,[],{},'''''''',false之间的关系
2017/02/14 Javascript
Vue2递归组件实现树形菜单
2017/04/10 Javascript
jQuery实现菜单栏导航效果
2017/08/15 jQuery
探索webpack模块及webpack3新特性
2017/09/18 Javascript
JS数组去重常用方法实例小结【4种方法】
2018/05/28 Javascript
在 Vue-CLI 中引入 simple-mock实现简易的 API Mock 接口数据模拟
2018/11/28 Javascript
jQuery选择器之基本选择器用法实例分析
2019/02/19 jQuery
了解javascript中变量及函数的提升
2019/05/27 Javascript
vue实现搜索功能
2019/05/28 Javascript
vue实现权限控制路由(vue-router 动态添加路由)
2019/11/04 Javascript
Vue获取页面元素的相对位置的方法示例
2020/02/05 Javascript
VueCli4项目配置反向代理proxy的方法步骤
2020/05/17 Javascript
python+matplotlib演示电偶极子实例代码
2018/01/12 Python
Python定时任务sched模块用法示例
2018/07/16 Python
Python提取频域特征知识点浅析
2019/03/04 Python
Numpy的简单用法小结
2019/08/28 Python
Coltorti Boutique官网:来自意大利的设计师品牌买手店
2018/11/09 全球购物
Bose英国官方网站:美国知名音响品牌
2020/01/26 全球购物
PyQt QMainWindow的使用示例
2021/03/24 Python
信息管理员岗位职责
2013/12/01 职场文书
五年后的职业生涯规划
2014/03/04 职场文书
四川省传达学习贯彻党的群众路线教育实践活动总结大会精神新闻稿
2014/10/26 职场文书
导游词之上海杜莎夫人蜡像馆
2019/11/22 职场文书
CSS完成视差滚动效果
2021/04/27 HTML / CSS
python 如何获取页面所有a标签下href的值
2021/05/06 Python