基于tensorflow-神经网络inception_v3图像识别

下载inception_v3(google图像识别网络第三个版本)模型
导入相关的库

import tensorflow as tf
import os
import tarfileimport 
import requests

模型的下载

#inception模型下载地址 
inception_pretrain_model_url = 'http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz' 
#模型存放地址，解压后的文件也是存在这里 
inception_pretrain_model_dir = "inception_model"   #此文件夹如果不存在会自动创建，保存在这个文件夹下
 if not os.path.exists(inception_pretrain_model_dir): 	 
 	os.makedirs(inception_pretrain_model_dir)
 #获取文件名，以及文件路径
  filename = inception_pretrain_model_url.split('/')[-1] 
  filepath = os.path.join(inception_pretrain_model_dir, filename) 
  #下载模型 
  if not os.path.exists(filepath):
  	 print("download: ", filename)     
  	  r = requests.get(inception_pretrain_model_url, stream=True) 
  	  with open(filepath, 'wb') as f: 
  	  	for chunk in r.iter_content(chunk_size=1024):
  	  		 if chunk:     	 	
  	  		 	 f.write(chunk) 
 print("finish: ", filename) 
 #解压文件 
 tarfile.open(filepath, 'r:gz').extractall(inception_pretrain_model_dir) 
 #模型结构存放文件 
 log_dir = 'inception_log'
 #打开这个通过命令提示符，用tensorboard查看，tensorboard查看并可视化 
 if not os.path.exists(log_dir): 	
 os.makedirs(log_dir)
  #classify_image_graph_def.pb为google训练好的模型  
  inception_graph_def_file = os.path.join(inception_pretrain_model_dir, 'classify_image_graph_def.pb') #'classify_image_graph_def.pb'为inception-v3中训练好的一个模型 
  with tf.Session() as sess:
  	 #创建一个图来存放google训练好的模型 
  	 with tf.gfile.FastGFile(inception_graph_def_file, 'rb') as f: 
  	  graph_def = tf.GraphDef()        
  	  graph_def.ParseFromString(f.read())       
  	   tf.import_graph_def(graph_def, name='')
  	   #保存图的结构
  	    writer = tf.summary.FileWriter(log_dir, sess.graph)
  	    writer.close()

下载成功以后：

Inception_v3模型下载好以后，在当前文件夹中新建文件夹存放想要识别的图片，然后运行程序
导入相关的库

import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt

开始用inception_v3进行识别

class NodeLookup(object):
    def __init__(self):
        label_lookup_path='inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'
        uid_lookup_path='inception_model/imagenet_synset_to_human_label_map.txt'
        self.node_lookup=self.load(label_lookup_path,uid_lookup_path)
        def load(self,label_lookup_path,uid_lookup_path):
        #加载分类字符串n*******对应分类名称的文件
        proto_as_ascii_lines=tf.gfile.GFile(uid_lookup_path).readlines()
        uid_to_human={}
        #一行一行读取数据
        for line in  proto_as_ascii_lines:
            #去掉换行符
            line=line.strip('\n')
            #按照“\t”分割
            parsed_items=line.split('\t')
            #获取分类的编号
            uid=parsed_items[0]
            #获取分类的名称
            human_string=parsed_items[1]
            #保存编号字符串n********与分类名称的映射关系
            uid_to_human[uid]=human_string
            #加载分类字符串n*******对应分类编号1-1000的文件
        proto_as_ascii=tf.gfile.GFile(label_lookup_path).readlines()
        node_id_to_uid={}
        for line in proto_as_ascii:
            if line.startswith('  target_class:'):
                #获取分类编号1—1000
                target_class=int(line.split(': ')[1])
            if line.startswith('  target_class_string:'):
            	#获取编号字符串n*******
                target_class_string=line.split(': ')[1]
                #保存分类编号1-1000与编号字符串n******映射关系
                node_id_to_uid[target_class]=target_class_string[1:-2]
        #建立分类编号1-1000对应分类名称的映射关系
        node_id_to_name={}
        for key,val in node_id_to_uid.items():
            #获取分类名称
            name=uid_to_human[val]
            #建立分类编号1-1000分类名称的映射关系
            node_id_to_name[key]=name
        return node_id_to_name
        #穿入分类编号1-1000返回分类名称
    def id_to_string(self,node_id):
        if node_id not in self.node_lookup:
            return ''
        return self.node_lookup[node_id]
#创建一个图存放Google训练好的模型
with tf.gfile.FastGFile('inception_model/classify_image_graph_def.pb','rb') as f:
    graph_def=tf.GraphDef()
    graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def,name='')
with tf.Session() as sess:
    softmax_tensor=sess.graph.get_tensor_by_name('softmax:0')
    #遍历目录
    for root,dirs,files in os.walk('images/'):
        for file in files:
            #载入图片
            image_data=tf.gfile.FastGFile(os.path.join(root,file),'rb').read()
            predictions=sess.run(softmax_tensor,{'DecodeJpeg/contents:0':image_data})   #图片格式是jpg格式
            #把结果转换成1维数据
            predictions=np.squeeze(predictions)
            
            #打印图片路径及名称
            image_path=os.path.join(root,file)
            print(image_path)
            #显示图片
            img=Image.open(image_path)
            plt.imshow(img)
            plt.axis('off')
            plt.show()
            #排序
            top_k=predictions.argsort()[-5:][::-1]
            node_lookup=NodeLookup()
            for node_id in top_k:
                #获取分类名称
                human_string=node_lookup.id_to_string(node_id)
                #获取该分类的置信度
                score=predictions[node_id]
                print('%s(score=%.5f)'%(human_string,score))
            print()                    

运行结果

识别度比较高，准确率也挺高的，可以多放照片进行识别一下，常见的物品都差不多可以识别出来，就是不常见的物品不容易识别，我做的识别出来熊猫的概率是0.87323，是其他动物或者物品的概率是0.00147.