ImageAI：自定义图像预测

AI共享项目https://commons.specpal.science

ImageAI 提供4种不同的算法和模型，使你可以用您自定义的模型执行图像预测。您将使用 ImageAI 已训练的模型和相应的 JSON 文件来预测自定义对象。在这个例子中，我们将使用在IdenProf上进行20次实验训练出的模型，IdenProf是一个专业人员的数据集，在测试数据集上达到65.17％的准确度（您可以使用自己训练的模型并生成JSON文件。此”CLASS”主要的目的是使你可以使用自己训练的模型。）通过以下链接下载ResNet模型和JSON文件：

- ResNet（文件大小= 90.4MB）
- IdenProf model_class.json file

很好！下载模型文件和JSON文件后，启动一个新的python项目，然后将模型文件和JSON文件复制到python文件（.py文件）所在的项目文件夹中。下载下面的图像，或者在您的计算机上拍摄任何包含以下专业人员（厨师，医生，工程师 ，农民，消防员，法官，机械师，飞行员，警察和服务员）的图像，并将其复制到您的python项目文件夹中。然后创建一个python文件并为其命名; 例如FirstCustomPrediction.py。然后将下面的代码写入python文件中：

FirstCustomPrediction.py

  1. from imageai.Prediction.Custom import CustomImagePrediction
  2. import os
  3. execution_path = os.getcwd()
  6. prediction = CustomImagePrediction()
  7. prediction.setModelTypeAsResNet()
  8. prediction.setModelPath(os.path.join(execution_path, "resnet_model_ex-020_acc-0.651714.h5"))
  9. prediction.setJsonPath(os.path.join(execution_path, "model_class.json"))
  10. prediction.loadModel(num_objects=10)
  12. predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "4.jpg"), result_count=5)
  14. for eachPrediction, eachProbability in zip(predictions, probabilities):
  15.     print(eachPrediction + " : " + eachProbability)

示例结果：

ImageAI：自定义图像预测 - 图1

  1. mechanic : 76.82620286941528
  2. chef : 10.106072574853897
  3. waiter : 4.036874696612358
  4. police : 2.6663416996598244
  5. pilot : 2.239348366856575

让我们对示例代码进行解读：

  1. from imageai.Prediction.Custom import CustomImagePrediction
  2. import os

上面的代码导入了ImageAI库的CustomImagePrediction类和Python os类。

  1. execution_path = os.getcwd()

上面的代码获取包含python文件的文件夹路径（在本例中python文件为FirstCustomPrediction.py）

  1. prediction = CustomImagePrediction()
  2. prediction.setModelTypeAsResNet()
  3. prediction.setModelPath(os.path.join(execution_path, "resnet_model_ex-020_acc-0.651714.h5"))
  4. prediction.setJsonPath(os.path.join(execution_path, "model_class.json"))
  5. prediction.loadModel(num_objects=10)

在上面的代码中，我们在第一行我们对CustomImagePrediction类进行了实例化，第二行调用了.setModelTypeAsResNet()函数将预测对象的模型类型设置为ResNet，，第三行设置了模型文件（resnet_model_ex-020_acc-0.651714.h5）的路径，第四行设置JSON文件（ model_class.json）的路径，第五行载入模型并设置需要预测的对象数。

  1. predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "4.jpg"), result_count=5)

在上面的代码中，我们定义了两个变量，他们的值将由所调用的函数predictImage()返回，其中predictImage()函数接受了两个参数，一个是指定要进行图像预测的图像文件路径，另一个参数result_count用于设置我们想要预测结果的数量（该参数的值可选1 to 100）。最后，predictImage()函数将返回预测的对象名和相应的百分比概率（percentage_probabilities）。

  1. for eachPrediction, eachProbability in zip(predictions, probabilities):
  2.     print(eachPrediction + " : " + eachProbability)

在上面的代码获取了predictions变量中的每个对象名，并从probabilities变量中获取相应的百分比概率，最后将两者的结果打印到终端。

CustomImagePrediction类还支持ImagePrediction类中包含的多图像预测，输入类型和预测速度功能。点击此链接查看详细介绍。