寺冈labelnet使用说明_使用 GoogLeNet 对图像进行分类

加载预训练网络

加载预训练的 GoogLeNet 网络。此步骤需要 Deep Learning Toolbox™ Model for GoogLeNet Network 支持包。如果没有安装所需的支持包，软件会提供下载链接。

您还可以选择加载不同的预训练网络进行图像分类。要尝试不同的预训练网络，请在 MATLAB® 中打开此示例并选择其他网络。例如，您可以尝试 squeezenet，这是一个比 googlenet 还要快的网络。您可以使用其他预训练网络运行此示例。有关所有可用网络的列表，请参阅加载预训练网络。

net = googlenet;

要分类的图像的大小必须与网络的输入大小相同。对于 GoogLeNet，网络的 Layers 属性的第一个元素是图像输入层。网络输入大小是图像输入层的 InputSize 属性。

inputSize = net.Layers(1).InputSize

inputSize = 1×3

224 224 3

Layers 属性的最后一个元素是分类输出层。该层的 ClassNames 属性包含网络学习的类的名称。查看总共 1000 个类名称中的 10 个随机类名称。

classNames = net.Layers(end).ClassNames;

numClasses = numel(classNames);

disp(classNames(randperm(numClasses,10)))

'papillon'

'eggnog'

'jackfruit'

'castle'

'sleeping bag'

'redshank'

'Band Aid'

'wok'

'seat belt'

'orange'

读取图像并调整图像大小

读取并显示要分类的图像。

I = imread('peppers.png');

figure

imshow(I)

显示图像的大小。图像为 384×512 像素，并且具有三个颜色通道 (RGB)。

size(I)

ans = 1×3

384 512 3

使用 imresize 将图像大小调整为网络的输入大小。调整大小会略微更改图像的纵横比。

I = imresize(I,inputSize(1:2));

figure

imshow(I)

根据您的应用，您可能希望以不同方式调整图像大小。例如，您可以使用 I(1:inputSize(1),1:inputSize(2),:) 剪去图像的左上角。如果您有 Image Processing Toolbox™，则可以使用 imcrop 函数。

对图像进行分类

使用 classify 对图像进行分类并计算类概率。网络正确地将图像分类为甜椒。用于分类的网络训练为针对每个输入图像输出单个标签，即使图像包含多个对象时也是如此。

[label,scores] = classify(net,I);

label

label = categorical

bell pepper

显示图像及预测的标签，以及具有该标签的图像的预测概率。

figure

imshow(I)

title(string(label) + ", " + num2str(100*scores(classNames == label),3) + "%");

显示排名靠前的预测值

显示排名前五的预测标签，并以直方图形式显示它们的相关概率。由于网络将图像分类为如此多的对象类别，并且许多类别是相似的，因此在评估网络时通常会考虑准确度排名前五的几个类别。网络以高概率将图像分类为甜椒。

[~,idx] = sort(scores,'descend');

idx = idx(5:-1:1);

classNamesTop = net.Layers(end).ClassNames(idx);

scoresTop = scores(idx);

figure

barh(scoresTop)

xlim([0 1])

title('Top 5 Predictions')

xlabel('Probability')

yticklabels(classNamesTop)