使用PyTorch模型对无标签图像进行预测并将结果写入Excel

整体思路如下：

1. 加载模型：使用torch.load()函数加载预训练的模型。
2. 读取图像：使用像PIL库的Image.open()函数来读取每个图像文件。
3. 预处理图像：将图像转换为模型期望的格式。这通常包括调整图像大小、转换颜色空间（例如，从RGB转换为BGR）、归一化以及添加批处理维度。我们可以使用torchvision.transforms模块来执行这些预处理操作。
4. 运行模型：使用model(image)将预处理后的图像传递给模型，并获取输出。
5. 解析输出：根据你的模型和问题，解析模型的输出。例如，如果你的模型输出了每个类别的概率，你可能需要使用torch.argmax()来获取最可能的类别。
6. 保存结果：将图像文件名和预测结果保存到一个列表或字典中。
7. 写入Excel：使用pandas库的DataFrame和to_excel()函数，将结果写入Excel文件

---

代码如下 

import torch
import os
from torchvision import transforms
from PIL import Image
import pandas as pd

# 加载模型
model = torch.load('model.pth')
model.eval()

# 定义图像预处理步骤
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

# 存储图像文件名和预测结果
results = []

# 遍历图像目录
for image_file in os.listdir('images'):
    # 打开图像文件
    image = Image.open(os.path.join('images', image_file))

    # 预处理图像
    image = preprocess(image)
    image = image.unsqueeze(0)

    # 运行模型并获取输出
    with torch.no_grad():
        output = model(image)

    # 获取最可能的类别
    prediction = torch.argmax(output, 1).item()

    # 保存结果
    results.append((image_file, prediction))

# 将结果写入Excel文件
df = pd.DataFrame(results, columns=['Image', 'Prediction'])
df.to_excel('results.xlsx', index=False)