Keras预训练的ImageNet模型实现分类操作

 import keras import numpy as np from keras.applications import vgg16, inception_v3, resnet50, mobilenet # 加载模型 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') # 导入所需的图像预处理模块 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-600' # 将图片输入到网络之前执行预处理 ''' 1、加载图像，load_img 2、将图像从PIL格式转换为Numpy格式，image_to_array 3、将图像形成批次，Numpy的expand_dims ''' # 以PIL格式加载图像 original = load_img(filename, target_size=(224, 224)) print('PIL image size', original.size) plt.imshow(original) plt.show() # 将输入图像从PIL格式转换为Numpy格式 # In PIL-- 图像为（width, height, channel） # In Numpy――图像为（height, width, channel） numpy_image = img_to_array(original) plt.imshow(np.uint8(numpy_image)) plt.show() print('numpy array size', numpy_image.size) # 将图像/图像转换为批量格式 # expand_dims将为特定轴上的数据添加额外的维度 # 网络的输入矩阵具有形式（批量大小，高度，宽度，通道） # 因此，将额外的维度添加到轴0。 image_batch = np.expand_dims(numpy_image, axis=0) print('image batch size', image_batch.shape) plt.imshow(np.uint8(image_batch[0])) # 使用各种网络进行预测 # 通过从批处理中的图像的每个通道中减去平均值来预处理输入。 # 平均值是通过从ImageNet获得的所有图像的R，G，B像素的平均值获得的三个元素的阵列 # 获得每个类的发生概率 # 将概率转换为人类可读的标签 # VGG16 网络模型 # 对输入到VGG模型的图像进行预处理 processed_image = vgg16.preprocess_input(image_batch.copy()) # 获取预测得到的属于各个类别的概率 predictions = vgg_model.predict(processed_image) # 输出预测值 # 将预测概率转换为类别标签 # 缺省情况下将得到最有可能的五种类别 label_vgg = decode_predictions(predictions) label_vgg # ResNet50网络模型 # 对输入到ResNet50模型的图像进行预处理 processed_image = resnet50.preprocess_input(image_batch.copy()) # 获取预测得到的属于各个类别的概率 predictions = resnet_model.predict(processed_image) # 将概率转换为类标签 # 如果要查看前3个预测，可以使用top参数指定它 label_resnet = decode_predictions(predictions, top=3) label_resnet # MobileNet网络结构 # 对输入到MobileNet模型的图像进行预处理 processed_image = mobilenet.preprocess_input(image_batch.copy()) # 获取预测得到属于各个类别的概率 predictions = mobilenet_model.predict(processed_image) # 将概率转换为类标签 label_mobilnet = decode_predictions(predictions) label_mobilnet # InceptionV3网络结构 # 初始网络的输入大小与其他网络不同。 它接受大小的输入（299,299）。 # 因此，根据它加载具有目标尺寸的图像。 # 加载图像为PIL格式 original = load_img(filename, target_size=(299, 299)) # 将PIL格式的图像转换为Numpy数组 numpy_image = img_to_array(original) # 根据批量大小重塑数据 image_batch = np.expand_dims(numpy_image, axis=0) # 将输入图像转换为InceptionV3所能接受的格式 processed_image = inception_v3.preprocess_input(image_batch.copy()) # 获取预测得到的属于各个类别的概率 predictions = inception_model.predict(processed_image) # 将概率转换为类标签 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, 0), 3) cv2.putText(numpy_image, "MobileNet: {}, {:.2f}".format(label_mobilenet[0][0][1], label_mobilenet[0][0][2]) , (350, 75), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3) cv2.putText(numpy_image, "Inception: {}, {:.2f}".format(label_inception[0][0][1], label_inception[0][0][2]) , (350, 110), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3) cv2.putText(numpy_image, "ResNet50: {}, {:.2f}".format(label_resnet[0][0][1], label_resnet[0][0][2]) , (350, 145), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3) numpy_image = cv2.resize(numpy_image, (700,700)) cv2.imwrite("images/{}_output.jpg-600".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')