Python基于 ImageAI 模块实践 idenprof数据集识别预测分析

图像识别早已不是很新鲜的话题了，很多数据处理的任务到最后都会归为图像识别中，在之前的很多工作中，我陆陆续续也接触了很多相关的工作，从最开始数据处理，到模型搭建与最终上线也都经历，大多数时候模型都是自己搭建的，虽然说现在keras的出现极大地简化了模型的搭建工作，但是整个过程还是需要自己去实践完成的，对于很多的初学者来说并不是很容易的。

      今天发现了一个好玩的库——ImageAI，简单的说一下我的理解就是对keras的又一层封装，但又不全是这样。ImageAI简化了整个图像识别和目标检测的工作，今天想来简单看看，整个模块的能力。

     使用的使用网上公开的数据集 idenprof ，分为train和test两个数据集，每个集合里面共有10个类别，数据集截图如下：

       具体实践如下：
 

#!usr/bin/env python

encoding:utf-8

from future import division

"""
Author:沂水寒城
功能： python基于 ImageAI 模块实现 idenprof 数据集预测识别
当前官网中 ImageAI 主要提供四种类型的预测模型分别如下：
SqueezeNet（预测速度最快 正确率中等）
ResNet50 （预测速度快 正确率较高）
InceptionV3（预测速度慢 正确率高）
DenseNet121（预测速度更慢 正确率最高）
"""

import os
import threading
from imageai.Prediction import ImagePrediction
from imageai.Prediction.Custom import ModelTraining
from imageai.Prediction.Custom import CustomImagePrediction

def modelPredictDemo(model_path='officeModels/resnet_model_ex-020_acc-0.651714_idenprof.h5',
class_path='officeModels/model_class_idenprof.json',
pic_dir='idenprofTestPic/',classNum=10,resNum=1,flag=True):
'''
图像识别模型demo
'''
right=0
if flag:
prediction=CustomImagePrediction()
else:
prediction=ImagePrediction()
prediction.setModelTypeAsResNet()
prediction.setModelPath(model_path)
prediction.setJsonPath(class_path)
prediction.loadModel(num_objects=classNum)
all_files=[]
pic_list=os.listdir(pic_dir)
for one_pic in pic_list:
all_files.append(pic_dir+one_pic)
for one_pic in all_files:
predictions,probabilitys=prediction.predictImage(one_pic,result_count=resNum)
true_label=one_pic.split('/')[-1].split('.')[0].strip()
for predict,probability in zip(predictions,probabilitys):
print(true_label,'===>',predict, " : ", str(probability))
if true_label.split('-')[0].strip()==predict:
right+=1
acc=right/len(all_files)
print('Accuracy: ',acc)

if name=='main':
modelPredictDemo(model_path='officeModels/resnet_model_ex-020_acc-0.651714_idenprof.h5',
class_path='officeModels/model_class_idenprof.json',
pic_dir='idenprofTestPic/',classNum=10,resNum=1,flag=True)
      ，我没有选择去自己训练模型，直接下载了官方提供的预训练模型，随机抽取了250张图片数据作为测试使用，粗略地计算了一下准确度达到了55.64%以上。

      感觉ImageAI使用起来的确是简单了很多，但是模型的种类和灵活性反而不如自己搭建模型了，这里更像是一个社区，自己可以贡献自己的数据集和预训练模型供别人使用，总之，好的东西总是会为开发者提供便利的，记录学习！
www.81rz.com/zcfg/