神经网络采用预训练好的inception-V3,其内部权值、偏置值均为确定的值
首先在github上下载tensorflow
注意要与电脑中的tensorflow版本相匹配 可以找一下 名字为tensorflow-frankchn的包
下载完成后打开F:\tensorflow\tensorflow-frankchn\tensorflow\examples\image_retraining这个文件夹
后续会用到retrain等代码。
准备数据集
如果有则可以使用,若没有可以在http://www.robots.ox.ac.uk/~vgg/data/上下载喜欢的数据集来进行练习
数据集放在新建文件夹data里面,data文件夹下每种图片再分类成对应的文件夹
如图所示的样子建立文件夹
下载模型
# coding: utf-8
# In[1]:
import tensorflow as tf
import os
import tarfile
import requests
# In[2]:
#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
inception_pretrain_model_dir = "inception_model"
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'
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')
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()
# In[ ]:
# In[ ]:
开始训练,打开命令提示符输入
python3 F:/tensorflow/tensorflow-frankchn/tensorflow/examples/image_retraining/retrain.py ^
--bottleneck_dir bottleneck ^
--how_many_training_steps 200 ^
--model_dir F:/firsttest ^
--output_graph output_graph.pb ^
--output_labels output_labels.txt ^
--image_dir F:/firsttest/imags
pause
第一行是下载的tensorflow中的文件,改成对应目录即可
第二行是在当前文件夹下新建一个名为bottleneck的文件夹,来存放训练过程中的一些数据
第三行是训练次数
第四行是下载的模型地址
第五行,第六行是输出的用来测试的文件
第七行是图片文件路径,修改成自己的图片文件路径即可
训练结束会得到两个文件,这是可以用来验证的文件
测试训练好的模型
# coding: utf-8
# In[1]:
import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt
# In[2]:
lines = tf.gfile.GFile('retrain/output_labels.txt').readlines() #这里改为自己的输出文件路径
uid_to_human = {}
#一行一行读取数据
for uid,line in enumerate(lines) :
#去掉换行符
line=line.strip('\n')
uid_to_human[uid] = line
def id_to_string(node_id):
if node_id not in uid_to_human:
return ''
return uid_to_human[node_id]
#创建一个图来存放google训练好的模型
with tf.gfile.FastGFile('retrain/output_graph.pb', 'rb') as f: #这里改为自己的输出文件路径
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('final_result:0')
#遍历目录
for root,dirs,files in os.walk('retrain/images/'): #改为自己的测试集
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
predictions = np.squeeze(predictions)#把结果转为1维数据
#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()[::-1]
print(top_k)
for node_id in top_k:
#获取分类名称
human_string = 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()
# In[ ]:
# In[ ]:
到此就得到了一个用自己图片训练的模型
本文采用的是Google的inception-v3结构,对于差异较大的图片识别性能较好,对于相似相近的图片可能效果不是那么理想,可以尝试使用其他预训练模型。