[[226981]]

隨著深度學(xué)習(xí)算法的興起和普及，人工智能領(lǐng)域取得了令人矚目的進(jìn)步，特別是在計(jì)算機(jī)視覺領(lǐng)域。21世紀(jì)的第二個(gè)十年迅速采用卷積神經(jīng)網(wǎng)絡(luò)，發(fā)明了***進(jìn)的算法，大量訓(xùn)練數(shù)據(jù)的可用性以及高性能和高性價(jià)比計(jì)算的發(fā)明。計(jì)算機(jī)視覺中的一個(gè)關(guān)鍵概念是圖像分類; 這是軟件系統(tǒng)正確標(biāo)記圖像中主導(dǎo)對(duì)象的能力。

ImageAI是一個(gè)Python庫，旨在幫助開發(fā)人員構(gòu)建具有自包含計(jì)算機(jī)視覺功能的應(yīng)用程序和系統(tǒng)。

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(qǐng)?zhí)^本節(jié)）

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

2. 安裝ImageAI依賴項(xiàng)

- Tensorflow 

pip3 install --upgrade tensorflow 

- Numpy 

pip3 install numpy 

- SciPy 

pip3 install scipy 

- OpenCV 

pip3 install opencv-python 

- Matplotlib 

pip3 install matplotlib 

- h5py 

pip3 install h5py 

- 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ImageNet-1000數(shù)據(jù)集訓(xùn)練的ResNet Model文件，并將文件復(fù)制到您的python項(xiàng)目文件夾。

https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h5

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

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.h5")  
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

[[226982]]

代碼結(jié)果： 

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

代碼說明

現(xiàn)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(dǎo)入了ImageAI ImagePrediction類和python os類。 

execution_path = os.getcwd（） 

上面的代碼創(chuàng)建一個(gè)變量，它保存對(duì)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.h5”）  

在上面的代碼中，我們?cè)?**行創(chuàng)建了一個(gè)ImagePrediction（）類的實(shí)例，然后通過在第二行中調(diào)用.setModelTypeAsResNet（），將預(yù)測(cè)對(duì)象的模型類型設(shè)置為ResNet ，然后設(shè)置模型路徑將預(yù)測(cè)對(duì)象復(fù)制到模型文件（resnet50_weights_tf_dim_ordering_tf_kernels.h5）的路徑中，并將其復(fù)制到第三行的項(xiàng)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(diào)用來預(yù)測(cè)圖像的函數(shù)，這個(gè)函數(shù)是 .predictImage（）函數(shù)，我們?cè)谄渲薪馕隽藞D像的路徑，并且還指出了我們想要的預(yù)測(cè)結(jié)果的數(shù)量有（從1到1000的值）解析result_count = 5 。所述 .predictImage（）函數(shù)將返回與所述***（2級(jí)陣列的對(duì)象的預(yù)測(cè)）是預(yù)測(cè)和所述第二（陣列percentage_probabilities）是相應(yīng)的百分比概率為每個(gè)預(yù)測(cè)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(duì)象的預(yù)測(cè)陣列，并且還獲得從相應(yīng)百分比概率percentage_probabilities，***打印二者的結(jié)果到控制臺(tái)。

該 .predictImage（）函數(shù)將在路徑中的圖像，也可以說明我們預(yù)計(jì)函數(shù)返回預(yù)測(cè)的數(shù)量（可選，默認(rèn)為5）。ImageNet-1000數(shù)據(jù)集中有1000個(gè)項(xiàng)目，ResNet模型在該數(shù)據(jù)集上進(jìn)行了訓(xùn)練，這意味著 .predictImage函數(shù)將返回1000個(gè)可能的預(yù)測(cè)值，并按其概率排列。