使用keras內(nèi)置的模型進行圖片預測實例

更新時間：2020年06月17日 09:58:53 作者：lucky404

這篇文章主要介紹了使用keras內(nèi)置的模型進行圖片預測實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

keras 模塊里面為我們提供了一個預訓練好的模型，也就是開箱即可使用的圖像識別模型

趁著國慶假期有時間我們就來看看這個預訓練模型如何使用吧

可用的模型有哪些？

根據(jù)官方文檔目前可用的模型大概有如下幾個

1、VGG16

2、VGG19

3、ResNet50

4、InceptionResNetV2

5、InceptionV3

它們都被集成到了keras.applications 中

模型文件從哪來

當我們使用了這幾個模型時，keras就會去自動下載這些已經(jīng)訓練好的模型保存到我們本機上面

模型文件會被下載到 ~/.keras/models/并在載入模型時自動載入

各個模型的信息:

如何使用預訓練模型

使用大致分為三個步驟

1、導入所需模塊

2、找一張你想預測的圖像將圖像轉為矩陣

3、將圖像矩陣放到模型中進行預測

關于圖像矩陣的大小

VGG16，VGG19，ResNet50 默認輸入尺寸是224x224

InceptionV3， InceptionResNetV2 模型的默認輸入尺寸是299x299

代碼demo

假設我現(xiàn)在有一張圖片

我需要使用預訓練模型來識別它

那我們就按照上面的步驟

第一步導入模塊

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

第二步將圖像轉為矩陣

這里我們需要使用 keras.preprocessing.image 里面 img_to_array 來幫我們轉

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

第三步將圖像矩陣丟到模型中進行預測

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

完整代碼如下

1、配置文件

2、獲取配置文件的模塊

3、圖像預測模塊

配置文件

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

獲取配置文件的模塊

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

圖像預測模塊以及主要實現(xiàn)

# keras 提供了一些預訓練模型，也就是開箱即用的 已經(jīng)訓練好的模型
# 我們可以使用這些預訓練模型來進行圖像識別，目前的預訓練模型大概可以識別2.2w種類型的東西
# 可用的模型：
# VGG16
# VGG19
# ResNet50
# InceptionResNetV2
# InceptionV3 
# 這些模型被集成到 keras.applications 中
# 當我們使用了這些內(nèi)置的預訓練模型時，模型文件會被下載到 ~/.keras/models/并在載入模型時自動載入
# VGG16，VGG19，ResNet50 默認輸入尺寸是224x224
# InceptionV3， InceptionResNetV2 模型的默認輸入尺寸是299x299

# 使用內(nèi)置的預訓練模型的步驟
# step1 導入需要的模型
# step2 將需要識別的圖像數(shù)據(jù)轉換為矩陣（矩陣的大小需要根據(jù)模型的不同而定）
# step3 將圖像矩陣丟到模型里面進行預測
# -------------------------------------------------------
# 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預訓練模型進行圖像識別
  """
  def __init__(self, img, model, w):
    self.image = img
    self.model = model
    self.weight = w
    
  # step2
  def image2matrix(self, img):
    """
    將圖像轉為矩陣
    """
    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):
    """
    圖像矩陣的維度
    """
    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):
    """
    預測
    """
    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()

運行起來時會將模型文件下載到本機，因此第一次運行會比較久(有可能出現(xiàn)的情況就是下載不了，被墻了)