Python中如何實(shí)現圖像識別

Python中如何實(shí)現圖像識別，針對這個(gè)問(wèn)題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個(gè)問(wèn)題的小伙伴找到更簡(jiǎn)單易行的方法。

1. 安裝Python 3.5.1或更高版本和pip

（如果您已經(jīng)安裝了Python 3.5.1或更高版本，請跳過(guò)本節）

https://www.python.org/downloads/

2. 安裝ImageAI依賴(lài)項

- Tensorflow

pip3 install --upgrade tensorflow

- Numpy

pip3 install numpy

- SciPy

pip3 install scipy

- OpenCV

pip3 install opencv-python

- Matplotlib

pip3 install matplotlib

- h6py

pip3 install h6py

- Keras

pip3 install keras

3. 安裝ImageAI庫

pip3 install https://github.com/OlafenwaMoses/ImageAI/raw/master/dist/imageai-1.0.2-py3-none-any.whl

4. 下載經(jīng)過(guò)ImageNet-1000數據集訓練的ResNet Model文件，并將文件復制到您的python項目文件夾。

https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h6

5. 創(chuàng )建一個(gè)名稱(chēng)為python的文件（例如“FirstPrediction.py”），并將下面的代碼寫(xiě)入其中。 

from imageai.Prediction import ImagePrediction  import os  execution_path = os.getcwd()  prediction = ImagePrediction()  prediction.setModelTypeAsResNet()  prediction.setModelPath( execution_path + " esnet50_weights_tf_dim_ordering_tf_kernels.h6")  prediction.loadModel()  predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)  for index in range(len(predictions)):  print(predictions[index] + " : " + percentage_probabilities[index])

sample.jpg

代碼結果：

sports_car : 90.61029553413391  car_wheel : 5.9294357895851135  racer : 0.9972884319722652  convertible : 0.8457873947918415  grille : 0.581052340567112

代碼說(shuō)明

現在讓我們分解代碼，以便了解它是如何工作的。上面的代碼工作如下：

from imageai.Prediction import ImagePrediction  import os

上面的代碼導入了ImageAI ImagePrediction類(lèi)和python os類(lèi)。

execution_path = os.getcwd（）

上面的代碼創(chuàng )建一個(gè)變量，它保存對包含python文件（在本例中為FirstPrediction.py）和ResNet模型文件的路徑的引用。

prediction = ImagePrediction（）  prediction.setModelTypeAsResNet（） prediction.setModelPath（execution_path +“ resnet50_weights_tf_dim_ordering_tf_kernels.h6”）

在上面的代碼中，我們在***行創(chuàng )建了一個(gè)ImagePrediction（）類(lèi)的實(shí)例，然后通過(guò)在第二行中調用.setModelTypeAsResNet（），將預測對象的模型類(lèi)型設置為ResNet   ，然后設置模型路徑將預測對象復制到模型文件（resnet50_weights_tf_dim_ordering_tf_kernels.h6）的路徑中，并將其復制到第三行的項目文件夾文件夾中。

predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)

在上面的行中，我們定義了2個(gè)變量，它等于被調用來(lái)預測圖像的函數，這個(gè)函數是   .predictImage（）函數，我們在其中解析了圖像的路徑，并且還指出了我們想要的預測結果的數量有（從1到1000的值）解析result_count  = 5 。所述  .predictImage（）函數將返回與所述***（2級陣列的對象的預測）是預測和所述第二（陣列percentage_probabilities）是相應的百分比概率為每個(gè)預測的陣列。

for index in range(len(predictions)):  print(predictions[index] + " : " + percentage_probabilities[index])

上述行獲取中的每個(gè)對象的預測陣列，并且還獲得從相應百分比概率percentage_probabilities，***打印二者的結果到控制臺。

該   .predictImage（）函數將在路徑中的圖像，也可以說(shuō)明我們預計函數返回預測的數量（可選，默認為5）。ImageNet-1000數據集中有1000個(gè)項目，ResNet模型在該數據集上進(jìn)行了訓練，這意味著(zhù)  .predictImage函數將返回1000個(gè)可能的預測值，并按其概率排列。

借助ImageAI，您可以輕松方便地將圖像預測代碼集成到您在python中構建的任何應用程序，網(wǎng)站或系統中。ImageAI庫支持其他算法和模型類(lèi)型，其中一些針對速度進(jìn)行了優(yōu)化，另一些針對精度進(jìn)行了優(yōu)化。借助ImageAI，我們希望支持計算機視覺(jué)的更多專(zhuān)業(yè)方面，包括但不限于特殊環(huán)境和特殊領(lǐng)域的圖像識別以及自定義圖像預測。