tensorflow_2.2_Resnet50实现花的识别

已于 2022-04-01 00:46:46 修改
阅读量1.2k 收藏 8
点赞数 3
分类专栏： 深度学习 文章标签： tensorflow 深度学习 python cnn 神经网络
于 2022-01-10 11:43:56 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42025868/article/details/122406289
版权

Resnet50介绍

Resnet50与之前在Resnet34中介绍的几乎一样，唯一有区别的就是：
残差块由两层卷积变成了三层卷积，网络更深，如下：

# 结构快
def block(x, filters, strides=1, conv_short=True):
    if conv_short:
        short_cut = Conv2D(filters=filters*4, kernel_size=1, strides=strides, padding='valid')(x)
        short_cut = BatchNormalization(epsilon=1.001e-5)(short_cut)
    else:
        short_cut = x

    # 三层卷积
    x = Conv2D(filters=filters, kernel_size=1, strides=strides, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)

    x = Conv2D(filters=filters, kernel_size=3, strides=1, padding='same')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)

    x = Conv2D(filters=filters*4, kernel_size=1, strides=1, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)

    x = Add()([x, short_cut])
    x = Activation('relu')(x)

    return x

直接进入代码演示

1. 代码演示

新建train.py

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Dense, ZeroPadding2D, Conv2D, MaxPool2D, GlobalAvgPool2D, Input, BatchNormalization, Activation, Add
from tensorflow.keras.models import Model
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, LearningRateScheduler
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input

# 结构快
def block(x, filters, strides=1, conv_short=True):
    if conv_short:
        short_cut = Conv2D(filters=filters*4, kernel_size=1, strides=strides, padding='valid')(x)
        short_cut = BatchNormalization(epsilon=1.001e-5)(short_cut)
    else:
        short_cut = x

    # 三层卷积
    x = Conv2D(filters=filters, kernel_size=1, strides=strides, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)

    x = Conv2D(filters=filters, kernel_size=3, strides=1, padding='same')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)

    x = Conv2D(filters=filters*4, kernel_size=1, strides=1, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)

    x = Add()([x, short_cut])
    x = Activation('relu')(x)

    return x

    
def Resnet50(inputs, classes):
    x = ZeroPadding2D((3, 3))(inputs)
    x = Conv2D(filters=64, kernel_size=7, strides=2, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)
    x = ZeroPadding2D((1, 1))(x)
    x = MaxPool2D(pool_size=3, strides=2, padding='valid')(x)

    x = block(x, filters=64, strides=1, conv_short=True)
    x = block(x, filters=64, conv_short=False)
    x = block(x, filters=64, conv_short=False)

    x = block(x, filters=128, strides=2, conv_short=True)
    x = block(x, filters=128, conv_short=False)
    x = block(x, filters=128, conv_short=False)
    x = block(x, filters=128, conv_short=False)

    x = block(x, filters=256, strides=2, conv_short=True)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)

    x = block(x, filters=512, strides=2, conv_short=True)
    x = block(x, filters=512, conv_short=False)
    x = block(x, filters=512, conv_short=False)

    x = GlobalAvgPool2D()(x)
    x = Dense(classes, activation='softmax')(x)
    
    return x
def data_process_func(datasets):
	# 数据预处理
	# ---------------------------------- #
    #   训练集进行的数据增强操作
    #   1. rotation_range -> 随机旋转角度
    #   2. width_shift_range -> 随机水平平移
    #   3. width_shift_range -> 随机数值平移
    #   4. rescale -> 数据归一化
    #   5. shear_range -> 随机错切变换
    #   6. zoom_range -> 随机放大
    #   7. horizontal_flip -> 水平翻转
    #   8. brightness_range -> 亮度变化
    #   9. fill_mode -> 填充方式
    # ---------------------------------- #
	train_data = ImageDataGenerator(
        rotation_range=20, 
        width_shift_range=0.1, 
        height_shift_range=0.1,
        rescale=1/255.0,
        shear_range=10,
        zoom_range=0.1,
        horizontal_flip=True,
        brightness_range=(0.7, 1.3),
        fill_mode='nearest'
    )
    # ---------------------------------- #
    #   测试集数据增加操作
    #   归一化即可
    # ---------------------------------- #
    test_data = ImageDataGenerator(
        rescale=1/255
    )
    # ---------------------------------- #
    #   训练器生成器
    #   测试集生成器
    # ---------------------------------- #
    train_generator = train_data.flow_from_directory(
        f'{datasets}/train',
        target_size=(224, 224),
        batch_size=8
    )
    test_generator = test_data.flow_from_directory(
        f'{datasets}/test',
        target_size=(224, 224),
        batch_size=8
    )
# 学习率调整
def adjust_lr(epoch, lr=1e-3):
    print("Seting to %s" % (lr))
    if epoch < 6:
        return lr
    else:
        return lr * 0.93

2. 主函数

  • 设置数据集路径datasets
    链接：https://pan.baidu.com/s/1zs9U76OmGAIwbYr91KQxgg
    提取码：bhjx
  • 设置预训练权重路径weight
    链接：https://pan.baidu.com/s/1AhsAA8ww5GurK-pWNQ4aHg
    提取码：y1c4
  • 注意：新建一个logs文件夹
if __name__ == '__main__':
    datasets = './dataset/data_flower'
    weight = './model_data/test_acc0.860-val_loss0.557-resnet50-flower.h5'
    gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
    for gpu in gpus:
        tf.config.experimental.set_memory_growth(gpu, True)
    inputs = Input(shape=(img_size,img_size,3))
    # 构造器
    train_generator, test_generator = data_process_func(datasets)
    model = Model(inputs=inputs, outputs=Resnet50(inputs=inputs, classes=classes))
    callbackss = [
            EarlyStopping(monitor='val_loss', patience=10, verbose=1),
            ModelCheckpoint('logs/ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5',monitor='val_loss',
                            save_weights_only=True, save_best_only=False, period=1),
            LearningRateScheduler(adjust_lr)
        ]
    print('---------->loding weight--------->')
            model.load_weights(weight, by_name=True, skip_mismatch=True)
            model.compile(optimizer=Adam(lr=1e-3), loss='categorical_crossentropy', metrics=['accuracy'])
            history = model.fit(
            x                      = train_generator,
            validation_data        = test_generator,
            workers                = 1,
            epochs                 = epochs,
            callbacks              = callbackss
        )

3. 预测图片

新建predict.py

import tensorflow as tf
from PIL import Image
import numpy as np
import os
import matplotlib.pyplot as plt
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input
from tensorflow.keras.layers import Dense, ZeroPadding2D, Conv2D, MaxPool2D, GlobalAvgPool2D, Input, BatchNormalization, Activation, Add


# 结构快
def block(x, filters, strides=1, conv_short=True):
    if conv_short:
        short_cut = Conv2D(filters=filters*4, kernel_size=1, strides=strides, padding='valid')(x)
        short_cut = BatchNormalization(epsilon=1.001e-5)(short_cut)
    else:
        short_cut = x

    # 三层卷积
    x = Conv2D(filters=filters, kernel_size=1, strides=strides, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)

    x = Conv2D(filters=filters, kernel_size=3, strides=1, padding='same')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)

    x = Conv2D(filters=filters*4, kernel_size=1, strides=1, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)

    x = Add()([x, short_cut])
    x = Activation('relu')(x)

    return x

    
def Resnet50(inputs, classes):
    x = ZeroPadding2D((3, 3))(inputs)
    x = Conv2D(filters=64, kernel_size=7, strides=2, padding='valid')(x)
    x = BatchNormalization(epsilon=1.001e-5)(x)
    x = Activation('relu')(x)
    x = ZeroPadding2D((1, 1))(x)
    x = MaxPool2D(pool_size=3, strides=2, padding='valid')(x)

    x = block(x, filters=64, strides=1, conv_short=True)
    x = block(x, filters=64, conv_short=False)
    x = block(x, filters=64, conv_short=False)

    x = block(x, filters=128, strides=2, conv_short=True)
    x = block(x, filters=128, conv_short=False)
    x = block(x, filters=128, conv_short=False)
    x = block(x, filters=128, conv_short=False)

    x = block(x, filters=256, strides=2, conv_short=True)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)
    x = block(x, filters=256, conv_short=False)

    x = block(x, filters=512, strides=2, conv_short=True)
    x = block(x, filters=512, conv_short=False)
    x = block(x, filters=512, conv_short=False)

    x = GlobalAvgPool2D()(x)
    x = Dense(classes, activation='softmax')(x)
    
    return x

# 这次的权重路径指向训练后之后的路径
names = os.listdir('./dataset/data_flower/test')
weight = './model_data/test_acc0.860-val_loss0.557-resnet50-flower.h5'
net = Resnet50
classes = 17
img_size = 224

def preprocess_input(x):
    x /= 255
   
    return x

def cvtColor(image):
    if len(np.shape(image)) == 3 and np.shape(image)[2] == 3:
        return image 
    else:
        image = image.convert('RGB')
        return image 

inputs = Input(shape=(img_size,img_size,3))
model = Model(inputs=inputs, outputs=net(inputs=inputs, classes=classes))
model.load_weights(weight)

while True:
    
    img_path = input('input img_path:')
    try:
        img = Image.open(img_path)
        img = cvtColor(img)
        img = img.resize((224, 224))
        image_data = np.expand_dims(preprocess_input(np.array(img, np.float32)), 0)
    except:
        print('The path is error!')
        continue
    else:
        plt.imshow(img)
        plt.axis('off')
        p =model.predict(image_data)[0]
        pred_name = names[np.argmax(p)]
        plt.title('%s:%.3f'%(pred_name, np.max(p)))
        plt.show()

效果如下：
是flower0的概率为0.801
在这里插入图片描述

Haohao+++
关注
  • 3
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
tensorflow2 tensorboard可视化使用
u010554381的博客
05-21 3477
tensorflow2自带tensorboard，所以不必再自行安装tensorboard。 一、使用环境 win10 x64； anaconda3+tensorflow2（cpu版本） 二、使用 1.在模型训练之前插入以下代码 log_dir= os.path.join('logs') #win10下的bug， if not os.path.exists(log_dir): os.mkdir(log_dir) tensorboard = tf.keras.callbacks.Tens
tensorflow tensor可视化
wwl的博客
10-17 1764
tensorflow里可视化可分为两种： tensorflow的计算过程都是以tensor的形式输出的, 需要想本法从tensor转换成np.ndarray类型, 然后再使用 openCV,pandas,matplotlib等绘图工具库来绘制图像. 将tensor–>np.ndarray只需调用sess.run(tensor)即可; 接下来是使用绘图工具绘制图片了,plt提供了对矩阵的绘制绘...
Resnet50.h5
12-17
直接下载通过调用里面参数及模型结构就可以快速训练好模型，帮助你节省时间！
pytorch实现：Resnet模型识别花朵数据集（参考pytorch官网代码）
qq_40216188的博客
04-28 5721
代码参考pytorch官网代码写法，包含模型保存、模型加载
基于ResNet50做图片分类的tensorflow代码实现
我这个代码你能看懂吗？
11-25 5964
目标任务：将数据集中5类美食图片进行分类，每一类有1000张图片，共5000张。 实验总结：刚开始设置训练集和验证集的比例为8:2，有些欠拟合，因此后来调整到了9:1；分别测试了原生的ResNet50、ResNet101、ResNet152和改进后的ResNet50、ResNet101，但最终在验证集上的最佳精度只能达到75%左右。 改进后的ResNet101表现： 训练集和验证集的精确度变化 训练集和验证集的损失值变化 实验环境：TensorFlow-2.1.0。 ResNet..
tensorflow2实现resnet50并用来分类猫狗
sdhdsf132452的博客
01-23 1894
一、首先实现resnet50 具体可以参考这篇文章 import warnings warnings.filterwarnings("ignore") import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' from tensorflow.keras.layers import (Conv2D,MaxPool2D,Input,ZeroPadding2D, Add,AveragePoo
基于ResNet50算法实现图像分类识别
Rocky006的博客
07-18 3879
ResNet50是一种基于深度卷积神经网络（Convolutional Neural Network，CNN）的图像分类算法。它是由微软研究院的Kaiming He等人于2015年提出的，是ResNet系列中的一个重要成员。ResNet50相比于传统的CNN模型具有更深的网络结构，通过引入残差连接（residual connection）解决了深层网络训练过程中的梯度消失问题，有效提升了模型的性能。深度卷积神经网络（CNN） CNN是一种专门用于图像处理的神经网络结构，具有层次化的特征提取能力。
PythonTensorflow-ObjectDetection-SSD_resnet50_v1_fpn：使用ssd_resnet50_v1_fpn模型训练血液图像
02-12
PythonTensorflow-ObjectDetection-SSD_resnet50_v1_fpn 使用ssd_resnet50_v1_fpn模型训练血液图像细节Tensorflow：2.2 训练时间：6小时训练步骤：58600 批量大小：16 培训类型：检测类：3 火车数据号：267 测试数据...
残差网络（ResNet）案例分析
03-22
2.1 在Keras中构建ResNet模型，首先需要导入必要的库，如`tensorflow`、`keras`及其子库`keras.models`、`keras.layers`等。 2.2 定义残差块函数，包括卷积层、批量归一化（Batch Normalization）、激活函数（ReLU...
【深度学习入门】Paddle实现手写数字识别详解（基于DenseNet）
12-21
PaddlePaddle，全称PArallel Distributed Deep LEarning，是百度开源的深度学习平台，它融合了TensorFlow和PyTorch的优点，为开发者提供了便捷高效的深度学习体验。 1. **MNIST数据集**：MNIST是广泛用于手写数字...
基于cifar10数据集CNN卷积网络的实现和基于Open MV3 cifar10神经网络和笑脸识别
12-26
在本项目中，我们将深入探讨基于CIFAR-10数据集的卷积神经网络（CNN）实现，以及如何在OpenMV3平台上进行CIFAR-10分类和笑脸识别。CIFAR-10是一个广泛使用的计算机视觉数据集，包含10个类别的60,000张彩色图像，每...
Python实现物体检测
06-25
detector.setModelPath(os.path.join(execution_path, "resnet50_coco_best_v2.0.1.h5")) detector.loadModel() ``` - `setModelTypeAsRetinaNet()`：设置模型类型为RetinaNet。 - `setModelPath()`：指定模型文件...
tensorflow.Keras 使用Resnet50 实现猫狗识别
热门推荐
qq_31622541的博客
07-20 1万+
最近几天做点小东西，因为懒所以不想用tensorflow或者slim再在底层写layer，就直接使用了tensorflow里面自带的模型，处理下数据，直接用了，后面想想还是比较有意思的，就把这个东西分享一下。   首先发个效果                       接着直接上代码： 首先是工具文件: import os,sys import numpy as np from ...
视觉深度学习：使用 TensorFlow 进行图像分类
新华编程特战队
12-26 1697
我们只想将其应用于某些图像，因此我们使用较低的概率。在这里，我们将使用 CIFAR10 数据集。我们可以在任何库中创建模型，但 TensorFlow 对于初学者来说是一个很好的起点，我们将使用这个库来创建一个。为了验证我们是否正确加载了数据，我们检查了刚刚创建的拆分的大小。我们将学习如何加载数据集、构建模型，最后训练使用数据集创建的模型。我们需要进行一些调整，以确保我们以最佳方式使用我们的资源。加载模型后，我们创建一个输入，将当前批次传递到增强中，最后，创建一个大小为 10 的全连接 （FC） 层（
手把手教你：基于TensorFlow的岩石图像分类识别系统
大雾的小屋的博客
04-06 4786
本文主要介绍如何使用python的TensorFlow2.0深度学习框架搭建一个：岩石样本的智能识别系统。最终识别准确率能达到95%。本项目来自于第九届“泰迪杯”数据挖掘挑战赛的B题：岩石样本的智能识别。 通过使用python的TensorFlow框架，构建基于cnn和resnet的分类网络对岩石样本进行分类，最终识别准确率能达到95%，如果有毕业设计或者课程设计需求的同学可以参考本文。
卷积神经网络（ResNet-50）鸟类识别
weixin_45822638的博客
11-21 771
残差网络是为了解决神经网络隐藏层过多时，而引起的网络退化问题。退化（degradation）问题是指：当网络隐藏层变多时，网络的准确度达到饱和然后急剧退化，而且这个退化不是由于过拟合引起的。深度神经网络的“两朵乌云”梯度弥散/爆炸简单来讲就是网络太深了，会导致模型训练难以收敛。这个问题可以被标准初始化和中间层正规化的方法有效控制。（现阶段知道这么一回事就好了）网络退化随着网络深度增加，网络的表现先是逐渐增加至饱和，然后迅速下降，这个退化不是由于过拟合引起的。ResNet-50有两个基本的块，分别名为。
深度学习_经典网络_ResNet详解及常见问题总结
欢迎大家关注我
11-30 7365
一.ResNet的介绍及核心思想 2015年，ResNet大大吸引了人们的眼球。实际上，早在ILSVRC2012分类竞赛中，AlexNet取得胜利，深度残差网络（Deep Residual Network）就成为过去几年中计算机视觉和深度学习领域最具突破性的工作。ResNet使得训练深达数百甚至数千层的网络成为可能，而且性能仍然优异。 由于其表征能力强，ResNet在图像分类任务之外的许多计算机视...
Tensorflow实现ResNet50残差神经网络，进行图像分类
极歌科技
06-30 2385
在图像分类领域内，其中的大杀器莫过于Resnet50了，这个残差神经网络当时被发明出来之后，顿时毁天灭敌，其余任何模型都无法想与之比拟。我们下面用Tensorflow来调用这个模型，让我们的神经网络对Fashion-mnist数据集进行图像分类.由于在这个数据集当中图像的尺寸是28*28*1的，如果想要使用resnet那就需要把28*28*1的灰度图变为224*224*3的RGB图，我们...
PyTorch和TensorFlow概念及对比
最新发布
HGX-DJK
07-25 515
灵活性 vs. 生产性：PyTorch由于其动态计算图的特性，在研究和实验阶段可能更具灵活性和可操作性，而TensorFlow在大规模部署和生产环境中可能更具优势。社区和支持：两者都有强大的社区支持，但PyTorch在学术界和研究领域有更多的采用者，而TensorFlow在工业界和企业应用中有更广泛的使用。API和易用性：PyTorch的API设计更加直观和易用，而TensorFlow通过其广泛的工具和库支持提供了更全面的解决方案。PyTorch有一个活跃的社区，提供了丰富的教程、示例和第三方库支持。
resnet50实现花卉识别
05-30
ResNet50是一个深度神经网络模型，它的基本思想是通过增加网络深度来提高模型的精度，而不会引起梯度消失或梯度爆炸等问题。在花卉识别任务中，ResNet50可以通过对花卉图像进行特征提取和分类来实现识别。 具体地，ResNet50模型首先会对输入的花卉图像进行预处理，如调整大小、剪裁等。然后将处理后的图像输入到ResNet50的卷积层中，进行特征提取。在卷积层之后，ResNet50会将提取出来的特征进行分类，输出花卉类别的预测结果。 在实现过程中，我们可以使用已有的开源深度学习框架，如TensorFlow或PyTorch等，来构建ResNet50模型。同时需要准备一个包含多个花卉类别的训练集和一个测试集，用于模型训练和测试。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值