假设C盘下有picture文件夹下有1000张图片,依次读取该文件夹下图片并将模型输出概率依次写入Excel表格中的操作如下:
import os
import cv2
import torch
import openpyxl
def test(cfg):
path = 'C:/picture'
path_list = os.listdir(path)
prob_list = []
for filename in path_list:
image_path = os.path.join(path, filename)
model.eval()
image = cv2.imread(image_path)
# 这里是对读入的图片进行预处理的操作
im = (image - 127.5) * 0.0078125
in_img = cv2.resize(im, (cfg.input_shape[2], cfg.input_shape[1]))
# 转成 c h w, tensor
in_img = torch.from_numpy(in_img.transpose((2, 0, 1)))
in_img = in_img.type(torch.FloatTensor)
in_img = in_img.unsqueeze(0)
# model是网络模型,该句的意思是将处理的图片读入到模型中,参数out是模型输出
out = model(in_img.to(device))
# out[0]表示图片是负样本的概率,out[1]表示图片是正样本的概率
prob = out[0] # shape [n_boxes, 2]
# 将GPU上tensor类型的pro列表转换成CPU上的tensor
prob = torch.squeeze(prob)
prob = prob.cpu().data.numpy()
prob_list.append(prob[0])
# 返回一个numpy类型的列表
return prob_list
# 将数据写入E盘下pro_data文件夹下文件名为users.xlsxexcel的Excel表格中
def data_write(datas):
execl_path = 'E:/pro_data/users.xlsx'
mywb = openpyxl.Workbook()
#index表示这是第几张工作表,从零开始;,title是工作表的名字
mywb.create_sheet(index=0,title='Sheet1')
sheet_names=mywb.get_sheet_names()
mysheet = mywb.get_sheet_by_name('Sheet1')
#将数据写入第 i 行,第 j 列,参数A表示Excel表格中的A列
i = 0
for i in range(len(datas)):
mysheet['A'+str(i+1)] = datas[i]
i = i + 1
mywb.save(execl_path) #保存文件
if __name__ == "__main__":
args = parse_args()
cfg = parse_config(args.yaml)
datas = test(cfg)
# 将返回的numpy类型的prob_list列表依次写入到Excel表格中
data_write(datas)
文章最后有微信公众号:惟CPP,欢迎关注,一起交流学习进步~