Keras – 使用ResNet模型进行实时预测
ResNet 是一个预训练的模型。它是用 ImageNet . NET训练的 。 ResNet模型的权重在 ImageNet 上进行了预训练 。 它的语法如下 –
keras.applications.resnet.ResNet50 (
include_top = True,
weights = 'imagenet',
input_tensor = None,
input_shape = None,
pooling = None,
classes = 1000
)
这里、
- include_top 是指网络顶部的全连接层。
-
weights 指在ImageNet上进行的预训练。
-
input_tensor 是指可选的Keras张量,作为模型的图像输入。
-
input_shape 是指可选的形状元组。这个模型的默认输入尺寸是224×224。
-
classes 指的是对图像进行分类的可选的类的数量。
让我们通过写一个简单的例子来了解这个模型
第1步:导入模块
让我们按照下面的规定加载必要的模块。
>>> import PIL
>>> 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
>>> import numpy as np
>>> from keras.applications.resnet50 import ResNet50
>>> from keras.applications import resnet50
第2步:选择一个输入
让我们选择一个输入图像, ** 莲花** ,如下所示
>>> filename = 'banana.jpg'
>>> ## load an image in PIL format
>>> original = load_img(filename, target_size = (224, 224))
>>> print('PIL image size',original.size)
PIL image size (224, 224)
>>> plt.imshow(original)
<matplotlib.image.AxesImage object at 0x1304756d8>
>>> plt.show()
在这里,我们加载了一张图片 (banana.jpg) 并显示了它。
第3步:将图像转换成NumPy数组
让我们把我们的输入, Banana 转换成NumPy数组,这样它就可以被传递到模型中,用于预测的目的。
>>> #convert the PIL image to a numpy array
>>> numpy_image = img_to_array(original)
>>> plt.imshow(np.uint8(numpy_image))
<matplotlib.image.AxesImage object at 0x130475ac8>
>>> print('numpy array size',numpy_image.shape)
numpy array size (224, 224, 3)
>>> # Convert the image / images into batch format
>>> image_batch = np.expand_dims(numpy_image, axis = 0)
>>> print('image batch size', image_batch.shape)
image batch size (1, 224, 224, 3)
>>>
第4步:模型预测
让我们把我们的输入输入到模型中,以获得预测结果
>>> prepare the image for the resnet50 model >>>
>>> processed_image = resnet50.preprocess_input(image_batch.copy())
>>> # create resnet model
>>>resnet_model = resnet50.ResNet50(weights = 'imagenet')
>>> Downloavding data from https://github.com/fchollet/deep-learning-models/releas
es/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h5
102858752/102853048 [==============================] - 33s 0us/step
>>> # get the predicted probabilities for each class
>>> predictions = resnet_model.predict(processed_image)
>>> # convert the probabilities to class labels
>>> label = decode_predictions(predictions)
Downloading data from https://storage.googleapis.com/download.tensorflow.org/
data/imagenet_class_index.json
40960/35363 [==================================] - 0s 0us/step
>>> print(label)
输出
[
[
('n07753592', 'banana', 0.99229723),
('n03532672', 'hook', 0.0014551596),
('n03970156', 'plunger', 0.0010738898),
('n07753113', 'fig', 0.0009359837) ,
('n03109150', 'corkscrew', 0.00028538404)
]
]
在这里,该模型正确地预测了图像为香蕉。