keras-预训练的ImageNet模型实现分类

偏执的太偏执、 2021-11-18 00:58 442阅读 0赞

import keras
    import numpy as np
    from keras.applications import vgg16,vgg19,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
    
    filename = "1.jpg"
    
    #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())
    
    #获得预测得到的属于每个类别的概率
    predictions = vgg_model.predict(processed_image)
    
    #输出预测值
    #将预测概率转换为类别标签
    #缺省情况下将得到的最优可能的五种类别
    label_vgg = decode_predictions(predictions)
    
    # 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_mobilnet[0][0][1], label_mobilnet[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".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')