用inception-v3 做图像识别

版权声明：本文为博主原创文章，未经博主允许不得转载

在运行此次代码之前，你需要下载inception模型
下载地址：http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz
下载好之后里面是这些东西：

好啦，那么开始我们代码部分吧：

import tensorflow as tf
import os
import numpy as np
import re
from PIL import Image
import matplotlib.pyplot as plt


# In[2]:

class NodeLookup(object):
    def __init__(self):  
        label_lookup_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'   
        uid_lookup_path = 'inception_model/imagenet_synset_to_human_label_map.txt'
        self.node_lookup = self.load(label_lookup_path, uid_lookup_path)

def load(self, label_lookup_path, uid_lookup_path):
    # 加载分类字符串n********对应分类名称的文件
    proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
    uid_to_human = {}
    #一行一行读取数据s
    for line in proto_as_ascii_lines :
        #去掉换行符
        line=line.strip('\n')
        #按照'\t'分割
        parsed_items = line.split('\t')
        #获取分类编号
        uid = parsed_items[0]
        #获取分类名称
        human_string = parsed_items[1]
        #保存编号字符串n********与分类名称映射关系
        uid_to_human[uid] = human_string

    # 加载分类字符串n********对应分类编号1-1000的文件
    proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
    node_id_to_uid = {}
    for line in proto_as_ascii:
        if line.startswith('  target_class:'):
            #获取分类编号1-1000
            target_class = int(line.split(': ')[1])
        if line.startswith('  target_class_string:'):
            #获取编号字符串n********
            target_class_string = line.split(': ')[1]
            #保存分类编号1-1000与编号字符串n********映射关系
            node_id_to_uid[target_class] = target_class_string[1:-2]

    #建立分类编号1-1000对应分类名称的映射关系
    node_id_to_name = {}
    for key, val in node_id_to_uid.items():
        #获取分类名称
        name = uid_to_human[val]
        #建立分类编号1-1000到分类名称的映射关系
        node_id_to_name[key] = name
    return node_id_to_name

#传入分类编号1-1000返回分类名称
def id_to_string(self, node_id):
    if node_id not in self.node_lookup:
        return ''
    return self.node_lookup[node_id]


#创建一个图来存放google训练好的模型
with tf.gfile.FastGFile('inception_model/classify_image_graph_def.pb', 'rb') as f:
    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('softmax:0')
    #遍历目录   自己创建一个Images文件夹存放你要识别的物体
    for root,dirs,files in os.walk('images/'):
        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  将最后5个值进行正序排列
        top_k = predictions.argsort()[-5:][::-1]
        node_lookup = NodeLookup()
        for node_id in top_k:     
            #获取分类名称
            human_string = node_lookup.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()

解释一下最后的排序：当识别一个物体时，程序输出的识别概率是从小到大的。比如输出是猫的概率为0.002，狗的为0.08，车的概率为99%。那肯定是要取最大的。 所以我们需要倒叙排列，把概率最大的放最前面。