基于pytorch的CAM代码单张图片实战（超详细版，修改部分已经详细标出）

源代码来源：

https://blog.csdn.net/zsx1713366249/article/details/87902476

运行处理：

一. 自行下载json文件，链接如下：

https://pan.baidu.com/s/1QZDay0aOVkpDGaC4EF3VzA
提/取/码：1211

将下载后的json文件放在代码运行的文件夹下

二. 修改相关代码：

1.1 删除：

LABELS_URL = 'https://s3.amazonaws.com/outcome-blog/imagenet/labels.json'  

1.2 添加：

jsonfile = r'labels.json'   # 保存在当前代码运行的文件夹的话就不用修改了
with open(jsonfile, 'r') as load_f:
load_json = json.load(load_f)

2.1 删除：

classes = {int(key):value for (key, value) in requests.get(LABELS_URL).json().items()}

2.2 添加：

classes = {int(key): value for (key, value)
          in load_json.items()}

注意： 从 torchvision 0.13开始，加载预训练模型函数的参数从 pretrained = True 改为 weights=预训练模型参数版本。
若版本不匹配会出现以下问题：

UserWarning: The parameter ‘pretrained’ is deprecated since 0.13 and will be removed in 0.15, please use ‘weights’ instead.

3.1 修改部分如下：

if model_id == 1:
 net = models.squeezenet1_1(weights = models.SqueezeNet1_1_Weights.IMAGENET1K_V1)

elif model_id == 2:
 net = models.resnet101(weights = models.ResNet101_Weights.IMAGENET1K_V1)

elif model_id == 3:
 net = models.densenet161(weights = models.DenseNet161_Weights.IMAGENET1K_V1)

三. 选择不同Model

由于模型在运行代码时下载较慢，因此可以提前下载放在如下文件夹中：

1. 下载模型方式

• 一开始运行代码时，文件夹中没有模型，运行后会有如下正在从蓝色网址下载模型到红色文件夹位置的情况：

• 直接点击蓝色部分，即可下载选用的模型：（下载速度远远快于运行代码下载）

• 找到刚刚下载的模型文件：

• 复制到红色字体部分指示的文件夹中：

• 重新运行代码即可：
  结果如下

model_id = 1时：

model_id = 2时：

model_id = 3时：

结论： 可见在该种辨别自行车的情况下，模型1的效果更精确

测试本机图片（以摩托车为例）：

1. 网上下载任意一张摩托车图片：

注释：

# response = requests.get(IMG_URL)
# img_pil = Image.open(io.BytesIO(response.content))

添加：

img_path = "C:/Users/86156/Pictures/Saved Pictures/motuo_test1.jpg"
# 地址为自己下载图片后保存的位置
img_pil = Image.open(img_path)

解决OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.报错问题
参考：https://huaweicloud.csdn.net/637f7cebdacf622b8df86187.html
本人是使用第一个解决方法解决的，注意双引号自己需要在英文输入法下重新改一下，直接复制博文中的会报错。

结果如下：

model_id = 1时：

输出的预测分值排名在前五的五个类别的预测分值和对应类别名称：

结论：在model1的预测模型下，网络倾向于将该图片分类为：mountain bike, all-terrain bike, off-roader类

model_id = 2时：

输出的预测分值排名在前五的五个类别的预测分值和对应类别名称：

结论：在model2的预测模型下，网络倾向于将该图片分类为：crash helmet类

model_id = 3时：

输出的预测分值排名在前五的五个类别的预测分值和对应类别名称：

结论：在model3的预测模型下，网络倾向于将该图片分类为：crash helmet类