机器学习之ImageAI：图像预测

以下内容是基于ImageAI的ResNet模型进行学习，所用的相关设置如下：

（具体教程可见文末推荐网址1号，如若有相关建议可分享共勉，加油）

 

工具：

JetBrains Pycharm Community Edition 2018.3.1

 

环境：

python 3.7 （Project Interpreter是用Anaconda3-5.3.1中的python.exe，另外为安装Keras，安装了Python3.5）

tensorflow 1.12.0 （深度学习框架，目前使用率最高）

numpy 1.15.4 （Python的一种开源的科学计算库，提供和处理N维数组对象）

scipy 1.1.0 （Python工具包，利用numpy做更高级的数学，信号处理，优化，统计等）

opencv 3.4.2 （开源的计算机视觉库，提供Python、Ruby、Matlab等语言的接口，实现图像处理和计算机视觉方面的很多算法）

pillow 5.3.0 （PIL，Python Image Library，图像处理标准库，功能强大，API简单易用）

matplotlib 3.0.2 （Python的2D绘图库，可实现散点图、折线图、直方图等）

h5py 2.8.0 （操作和使用HDF5数据。HDF，Hierarchical Data Format，一种为存储和处理大容量科学数据设计的文件格式及相应库文件）

keras 2.2.4 （高层神经网络API，基于Theano和Tensorflow的深度学习库，注意，适用的Python版本是2.7-3.5）

 

（建议初学者将以上模块安装好，上述模块的解释只是简单摘取了一部分，若想深入了解可自行搜索）

 

这是对输入的一张图片的预测：

OnePicture.py

# 通过imageai.Prediction做对象检测

# 对一张图像进行预测

from imageai.Prediction import ImagePrediction
import os
# 跳过警告
# os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 获取当前路径【os.getcwd()用于返回当前工作目录】
execution_path = os.getcwd()

# 初始化预测器
prediction = ImagePrediction()

# 设置预测器的网络类型为resnet
prediction.setModelTypeAsResNet()

# 导入模型权值文件
prediction.setModelPath(execution_path + "\\resnet50_weights_tf_dim_ordering_tf_kernels.h5")

# 加载模型
prediction.loadModel()

# 对图片进行测试并输出测试结果
# result_count用于设置想要的预测结果的数量（参数范围[1，1000]）
# predictImage()函数将返回预测的对象名和相应的百分比概率（percentage_probabilities）
predictions, probabilities = prediction.predictImage(os.path.join(execution_path, 'sample.jpg'), result_count=5)

#输出预测到的对象及相应的置信度
for prediction, probability in zip(predictions, probabilities):
    print(prediction, "  : ", probability)

ps：

1、其中的sample.jpg，可是任意一张车的图片或是动物图片，但它要放在与OnePicture.py相同目录下。

2、在OnePicture.py中，我曾遇到tensorflow使用时cpu编译下不支持的警告，添加下面两行即可。

（具体可看此网址：https://blog.csdn.net/Fourierrr_/article/details/79749899）

# 跳过警告
# os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

 

这是对输入的多张图片的预测：

MultiplePictures.py

# 对多张图像进行预测
from imageai.Prediction import ImagePrediction
import os
import time

start_time = time.time()

execution_path = os.getcwd()

# 定义普通的ImagePrediction实例
multiple_prediction = ImagePrediction()

# 设置模型类型
multiple_prediction.setModelTypeAsResNet()

# 设置模型路径
multiple_prediction.setModelPath(os.path.join(execution_path, "resnet50_weights_tf_dim_ordering_tf_kernels.h5"))

# 载入模型
multiple_prediction.loadModel()
# 预测速度调节功能
# prediction_speed的值可为normal(default)、fast、faster、fastest；
# 但调整速度模式时，为了更能确保预测的准确度，最好使用具有更高精度的模型（DenseNet or InceptionV3），或是预测图像是标志性的（明显的）。
# multiple_prediction.loadModel(prediction_speed="fast")

# 创建一个数组
all_images_array = []

# 将所有要预测的图像的路径添加至数组中
all_files = os.listdir(execution_path)
for each_file in all_files:
    if(each_file.endswith(".jpg") or each_file.endswith(".png")):
        all_images_array.append(each_file)

# 调用.predictMultipleImages()函数解析包含图像路径的数组并执行图像预测，并输出5个预测的可能结果（result_count_per_image的默认值为2）
results_array = multiple_prediction.predictMultipleImages(all_images_array, result_count_per_image=5)

end_time = time.time()

for each_result in results_array:
    predictions, percentage_probabilities = each_result["predictions"], each_result["percentage_probabilities"]
    for index in range(len(predictions)):
        print(predictions[index], " : ", percentage_probabilities[index])
    print("\ncost time:", end_time - start_time)
    print("---------------------------------------------------------------")

 

若是想深入学习ImageAI，可查看以下网址，即 ImageAI中文文档：

（里面含有ImageAI图像检测中的其它模型（如DenseNet）的相关内容，及具体相关步骤，十分不错的学习网址）

网址1号：https://imageai-cn.readthedocs.io/zh_CN/latest/