深度学习——自己的训练集——测试模型（CNN）

导入新的图像，显示图像和预测的类别标签。

1.导入新图片名称

new_image_path = '456.jpg'

2.加载新的图片

new_image = cv2.imread(new_image_path)

3.加载图片

# 检查图片是否成功加载
if new_image is not None:
    # 将图片转换为RGB格式
    new_image = cv2.cvtColor(new_image, cv2.COLOR_BGR2RGB)
    # 调整图片大小到模型期望的大小
    new_image = cv2.resize(new_image, (150, 150))
    # 将图片数组扩展一个维度，因为模型期望输入形状为 (None, 150, 150, 3)
    new_image = np.expand_dims(new_image, axis=0)

4.使用模型进行预测

	predictions = model.predict(new_image)

model：这是之前创建和编译的Keras模型。
predict：这是Keras模型中的一个方法，用于对新的输入数据进行预测。
new_image：这是要进行预测的图像数据，它是一个NumPy数组。

5.获取最可能的类别

	predicted_class_index = np.argmax(predictions[0])

predictions[0]：这是模型对new_image的预测结果，它是一个NumPy数组。由于模型通常会为每个输入生成一个预测结果，因此predictions是一个包含多个预测结果的列表，而predictions[0]表示对第一个输入的预测。
np.argmax(predictions[0])：这个函数调用用于找到predictions[0]中的最大值对应的索引。在多类分类任务中，这个索引表示模型认为最可能的类别。
predicted_class_index：这个变量存储了模型预测的最可能类别的索引。

	predicted_class = classes[predicted_class_index]

classes：这是一个包含所有可能类别的列表。
classes[predicted_class_index]：这个索引操作符用于根据predicted_class_index变量中存储的索引，从classes列表中获取对应的类别名称。
predicted_class：这个变量存储了模型预测的最可能类别的名称。

6.显示图片和预测的标签名称

	plt.imshow(new_image[0])
    plt.title(f"Predicted class: {predicted_class}")
    plt.axis('off')
	plt.show()

7.图像加载失败输出

else:
    "Image not loaded successfully."

运行结果：

我们还可以多导入几张图片进行测试，只需要把导入新图片名称改了就可以。