本文主要介绍通过预训练的ImageNet模型实现图像分类，主要使用到的网络结构有：VGG16、InceptionV3、ResNet50、MobileNet。
代码：
代码语言：javascript复制import keras
import numpy as np
from keras.applications import vgg16, inception_v3, resnet50, mobilenet
# 加载模型
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')
# 导入所需的图像预处理模块
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'
# 将图片输入到网络之前执行预处理
'''
1、加载图像，load_img
2、将图像从PIL格式转换为Numpy格式，image_to_array
3、将图像形成批次，Numpy的expand_dims
'''
# 以PIL格式加载图像
original = load_img(filename, target_size=(224, 224))
print('PIL image size', original.size)
plt.imshow(original)
plt.show()
# 将输入图像从PIL格式转换为Numpy格式
# In PIL-- 图像为（width, height, channel）
# In Numpy——图像为（height, width, channel）
numpy_image = img_to_array(original)
plt.imshow(np.uint8(numpy_image))
plt.show()
print('numpy array size', numpy_image.size)
# 将图像/图像转换为批量格式
# expand_dims将为特定轴上的数据添加额外的维度
# 网络的输入矩阵具有形式（批量大小，高度，宽度，通道）
# 因此，将额外的维度添加到轴0。
image_batch = np.expand_dims(numpy_image, axis=0)
print('image batch size', image_batch.shape)
plt.imshow(np.uint8(image_batch[0]))
# 使用各种网络进行预测
# 通过从批处理中的图像的每个通道中减去平均值来预处理输入。
# 平均值是通过从ImageNet获得的所有图像的R，G，B像素的平均值获得的三个元素的阵列
# 获得每个类的发生概率
# 将概率转换为人类可读的标签
# VGG16 网络模型
# 对输入到VGG模型的图像进行预处理
processed_image = vgg16.preprocess_input(image_batch.copy())
# 获取预测得到的属于各个类别的概率
predictions = vgg_model.predict(processed_image)
# 输出预测值
# 将预测概率转换为类别标签
# 缺省情况下将得到最有可能的五种类别
label_vgg = decode_predictions(predictions)
label_vgg
# ResNet50网络模型
# 对输入到ResNet50模型的图像进行预处理
processed_image = resnet50.preprocess_input(image_batch.copy())
# 获取预测得到的属于各个类别的概率
predictions = resnet_model.predict(processed_image)
# 将概率转换为类标签
# 如果要查看前3个预测，可以使用top参数指定它
label_resnet = decode_predictions(predictions, top=3)
label_resnet
# MobileNet网络结构
# 对输入到MobileNet模型的图像进行预处理
processed_image = mobilenet.preprocess_input(image_batch.copy())
# 获取预测得到属于各个类别的概率
predictions = mobilenet_model.predict(processed_image)
# 将概率转换为类标签
label_mobilnet = decode_predictions(predictions)
label_mobilnet
# InceptionV3网络结构
# 初始网络的输入大小与其他网络不同。 它接受大小的输入（299,299）。
# 因此，根据它加载具有目标尺寸的图像。
# 加载图像为PIL格式
original = load_img(filename, target_size=(299, 299))
# 将PIL格式的图像转换为Numpy数组
numpy_image = img_to_array(original)
# 根据批量大小重塑数据
image_batch = np.expand_dims(numpy_image, axis=0)
# 将输入图像转换为InceptionV3所能接受的格式
processed_image = inception_v3.preprocess_input(image_batch.copy())
# 获取预测得到的属于各个类别的概率
predictions = inception_model.predict(processed_image)
# 将概率转换为类标签
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')训练数据：
运行结果：
以上这篇Keras预训练的ImageNet模型实现分类操作就是小编分享给大家的全部内容了，希望能给大家一个参考。
