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：

import kerasimport numpy as npfrom 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_imgfrom keras.preprocessing.image import img_to_arrayfrom keras.applications.imagenet_utils import decode_predictionsimport 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_img2、将图像从PIL格式转换为Numpy格式，image_to_array3、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 cv2numpy_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，也希望大家多多支持。