Keras予備訓練のImageNetモデルは分類操作を実現します。
本論文では、事前訓練のImageNetモデルによる画像分類を紹介します。主に使用されるネットワーク構造はVGG 16、InceptionV 3、Reset Net 50、MobileNetです。
コード:
実行結果:
以上のKerasの事前訓練のImageNetモデルは分類操作を実現しました。小編纂は皆さんに全部の内容を共有しています。参考にしてもらいたいです。どうぞよろしくお願いします。
コード:
import keras
import numpy as np
from keras.applications import vgg16, inception_v3, resnet50, mobilenet
#
vgg_model = vgg16.VGG16(weights='imagenet')
inception_model = inception_v3.InceptionV3(weights='imagenet')
resnet_model = resnet50.ResNet50(weights='imagenet')
mobilenet_model = mobilenet.MobileNet(weights='imagenet')
#
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.applications.imagenet_utils import decode_predictions
import matplotlib.pyplot as plt
%matplotlib inline
filename= 'images/cat.jpg'
#
'''
1、 ,load_img
2、 PIL Numpy ,image_to_array
3、 ,Numpy expand_dims
'''
# PIL
original = load_img(filename, target_size=(224, 224))
print('PIL image size', original.size)
plt.imshow(original)
plt.show()
# PIL Numpy
# In PIL-- (width, height, channel)
# In Numpy―― (height, width, channel)
numpy_image = img_to_array(original)
plt.imshow(np.uint8(numpy_image))
plt.show()
print('numpy array size', numpy_image.size)
# /
# expand_dims
# ( , , , )
# , 0。
image_batch = np.expand_dims(numpy_image, axis=0)
print('image batch size', image_batch.shape)
plt.imshow(np.uint8(image_batch[0]))
#
# 。
# ImageNet R,G,B
#
#
# VGG16
# VGG
processed_image = vgg16.preprocess_input(image_batch.copy())
#
predictions = vgg_model.predict(processed_image)
#
#
#
label_vgg = decode_predictions(predictions)
label_vgg
# ResNet50
# ResNet50
processed_image = resnet50.preprocess_input(image_batch.copy())
#
predictions = resnet_model.predict(processed_image)
#
# 3 , top
label_resnet = decode_predictions(predictions, top=3)
label_resnet
# MobileNet
# MobileNet
processed_image = mobilenet.preprocess_input(image_batch.copy())
#
predictions = mobilenet_model.predict(processed_image)
#
label_mobilnet = decode_predictions(predictions)
label_mobilnet
# InceptionV3
# 。 (299,299)。
# , 。
# PIL
original = load_img(filename, target_size=(299, 299))
# PIL Numpy
numpy_image = img_to_array(original)
#
image_batch = np.expand_dims(numpy_image, axis=0)
# InceptionV3
processed_image = inception_v3.preprocess_input(image_batch.copy())
#
predictions = inception_model.predict(processed_image)
#
label_inception = decode_predictions(predictions)
label_inception
import cv2
numpy_image = np.uint8(img_to_array(original)).copy()
numpy_image = cv2.resize(numpy_image,(900,900))
cv2.putText(numpy_image, "VGG16: {}, {:.2f}".format(label_vgg[0][0][1], label_vgg[0][0][2]) , (350, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
cv2.putText(numpy_image, "MobileNet: {}, {:.2f}".format(label_mobilenet[0][0][1], label_mobilenet[0][0][2]) , (350, 75), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
cv2.putText(numpy_image, "Inception: {}, {:.2f}".format(label_inception[0][0][1], label_inception[0][0][2]) , (350, 110), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
cv2.putText(numpy_image, "ResNet50: {}, {:.2f}".format(label_resnet[0][0][1], label_resnet[0][0][2]) , (350, 145), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 3)
numpy_image = cv2.resize(numpy_image, (700,700))
cv2.imwrite("images/{}_output.jpg".format(filename.split('/')[-1].split('.')[0]),cv2.cvtColor(numpy_image, cv2.COLOR_RGB2BGR))
plt.figure(figsize=[10,10])
plt.imshow(numpy_image)
plt.axis('off')
訓練データ:実行結果:
以上のKerasの事前訓練のImageNetモデルは分類操作を実現しました。小編纂は皆さんに全部の内容を共有しています。参考にしてもらいたいです。どうぞよろしくお願いします。