用Resnet 模型进行验证
Step 1 导入resnet 50模型
import numpy as np
import tensorflow as tf
physical_devices = tf.config.list_physical_devices('GPU')
for device in physical_devices: # 使用GPU
tf.config.experimental.set_memory_growth(device, True)
model = tf.keras.applications.resnet50.ResNet50(weights='imagenet') # 导入resnet 模型
img = tf.keras.utils.load_img('123.jpg', target_size=[224, 224,3]) # 载入图片并给出size
x = tf.keras.preprocessing.image.img_to_array(img) # 处理输入图片尺寸
x = np.expand_dims(x, axis=0)
x = tf.keras.applications.resnet50.preprocess_input(x)
preds = model.predict(x) # 预测结果
# 将结果解码为元组列表 (class, description, probability)
# (一个列表代表批次中的一个样本)
print('Predicted:', tf.keras.applications.resnet50.decode_predictions(preds, top=3)[0])
结果: Predicted: [('n03887697', 'paper_towel', 0.71528304), ('n15075141', 'toilet_tissue', 0.16052581), ('n02948072', 'candle', 0.03291733)]
Step 2 存储Resnet 模型为 Savemodel的格式 两种方法
(1)低级API
存储 tf.saved_model.save (model, path)
这种形式保存以后文件夹是这样的
加载 tf.saved_model.load(path_to_dir)
具体代码如下
load_model = tf.saved_model.load('resnet50_low_level_save/') # 加载模型
labeling = load_model(x) #
imagenet_labels = np.array(open('ImageNetLabels.txt').read().splitlines()) # ImageNetLabels.txt 文件中包含1000个被识别的物体名字列表 和 一个backgroud 所以下面的物体标号是+1
decoded = imagenet_labels[np.argsort(labeling)[0, ::-1][:3] + 1]
print(decoded)
(2)高级API
存储 tf.keras.models.save_model(model, path)
这种形式保存以后文件夹是这样的 多了一个keras_metadata.pb的文件
加载 tf.keras.models.save_model(path_to_dir
)
具体代码如下
tf.keras.models.save_model(model, 'resnet50_high_level_save/')
load_model = tf.keras.models.load_model('resnet50_high_level_save/') # 加载模型
preds = load_model.predict(x)
decoded = imagenet_labels[np.argsort(preds)[0, ::-1][:3] + 1]
这种方法好处在于可以继续使用keras 的方法
Step 3 利用 Savedmodel 生成.tflite模型
(1) 低级API
convert = tf.lite.TFLiteConverter.from_saved_model('resnet50_low_level_save')
tflite_model = convert.convert()
tflite_model_file = pathlib.Path('resnet50_low_level.tflite')
tflite_model_file.write_bytes(tflite_model)
(2) 高级API
convert = tf.lite.TFLiteConverter.from_saved_model('resnet50_high_level_save')
tflite_model = convert.convert()
tflite_model_file = pathlib.Path('resnet50_high_level.tflite')
tflite_model_file.write_bytes(tflite_model)
Step4 .tflite 模型结果验证
(1)低级API 输入图片的处理利用tensorflow 处理
import numpy as np
import tensorflow as tf
interpreter = tf.lite.Interpreter(model_path="resnet50_low_level.tflite")
# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.allocate_tensors()
imagenet_labels = np.array(open('ImageNetLabels.txt').read().splitlines())
################################### 输入矩阵处理方式 1 ###################################
img_path = '123.jpg'
print(np.shape(img_path))
img = tf.keras.preprocessing.image.load_img(img_path, target_size=(224, 224, 3)) # 输入矩阵处理方式 1
x = tf.keras.preprocessing.image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = tf.keras.applications.resnet50.preprocess_input(x)
print(np.shape(x))
interpreter.set_tensor(input_details[0]['index'], x)
interpreter.invoke()
output_data = interpreter.get_tensor(output_details[0]['index'])
decoded = imagenet_labels[np.argsort(output_data)[0, ::-1][:3] + 1]
print(output_data[:,[np.argsort(output_data)[0, ::-1][:3]]])
print("Result before saving:\n", decoded)
结果 :
与前面的结果基本一样,所以证明一切正确。
(2)低级API 输入图片的处理利用Opencv 处理
import numpy as np
import tensorflow as tf
import cv2
interpreter = tf.lite.Interpreter(model_path="resnet50_low_level.tflite")
# Get input and output tensors.
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.allocate_tensors()
imagenet_labels = np.array(open('ImageNetLabels.txt').read().splitlines())
################################### 输入矩阵处理方式 2 利用Opencv ###################################
img = cv2.imread("123.jpg")
new_img = cv2.resize(img, (224, 224))
new_img = new_img.astype(dtype=np.float32)
# new_img = tf.cast(new_img , dtype=np.float32)
x = np.expand_dims(new_img, axis=0)
print(np.shape(x))
interpreter.set_tensor(input_details[0]['index'], x)
interpreter.invoke()
output_data = interpreter.get_tensor(output_details[0]['index'])
decoded = imagenet_labels[np.argsort(output_data)[0, ::-1][:3] + 1]
print(output_data[:,[np.argsort(output_data)[0, ::-1][:3]]])
print("Result before saving:\n", decoded)
从结果看,Opencv 处理的图片,识别效果更好。
(3)高级API 输入图片的处理利用tensorflow 处理
只需要把低级API保存的模型,改成高级的。
结论保存结果的形式,对于tflite的结果无影响。
(4)高级API 输入图片的处理利用tensorflow 处理
只需要把低级API保存的模型,改成高级的。