案例：使用pre_trained模型进行VGG

tensorflow2

Goole在提供VGG进行预测时效果会更好一些，所以选择使用VGG来进行测试

在tensorflow,keras.applications存在很多的模型

Xception	88	79.0%	94.5%	22.9M	81	109.4	8.1
VGG16	528	71.3%	90.1%	138.4M	16	69.5	4.2
VGG19	549	71.3%	90.0%	143.7M	19	84.8	4.4
ResNet50	98	74.9%	92.1%	25.6M	107	58.2	4.6
ResNet50V2	98	76.0%	93.0%	25.6M	103	45.6	4.4
ResNet101	171	76.4%	92.8%	44.7M	209	89.6	5.2
ResNet101V2	171	77.2%	93.8%	44.7M	205	72.7	5.4
ResNet152	232	76.6%	93.1%	60.4M	311	127.4	6.5
ResNet152V2	232	78.0%	94.2%	60.4M	307	107.5	6.6
InceptionV3	92	77.9%	93.7%	23.9M	189	42.2	6.9
InceptionResNetV2	215	80.3%	95.3%	55.9M	449	130.2	10.0
MobileNet	16	70.4%	89.5%	4.3M	55	22.6	3.4
MobileNetV2	14	71.3%	90.1%	3.5M	105	25.9	3.8
DenseNet121	33	75.0%	92.3%	8.1M	242	77.1	5.4
DenseNet169	57	76.2%	93.2%	14.3M	338	96.4	6.3
DenseNet201	80	77.3%	93.6%	20.2M	402	127.2	6.7
NASNetMobile	23	74.4%	91.9%	5.3M	389	27.0	6.7
NASNetLarge	343	82.5%	96.0%	88.9M	533	344.5	20.0
EfficientNetB0	29	77.1%	93.3%	5.3M	132	46.0	4.9
EfficientNetB1	31	79.1%	94.4%	7.9M	186	60.2	5.6
EfficientNetB2	36	80.1%	94.9%	9.2M	186	80.8	6.5
EfficientNetB3	48	81.6%	95.7%	12.3M	210	140.0	8.8
EfficientNetB4	75	82.9%	96.4%	19.5M	258	308.3	15.1
EfficientNetB5	118	83.6%	96.7%	30.6M	312	579.2	25.3
EfficientNetB6	166	84.0%	96.8%	43.3M	360	958.1	40.4
EfficientNetB7	256	84.3%	97.0%	66.7M	438	1578.9	61.6
EfficientNetV2B0	29	78.7%	94.3%	7.2M	-	-	-
EfficientNetV2B1	34	79.8%	95.0%	8.2M	-	-	-
EfficientNetV2B2	42	80.5%	95.1%	10.2M	-	-	-
EfficientNetV2B3	59	82.0%	95.8%	14.5M	-	-	-
EfficientNetV2S	88	83.9%	96.7%	21.6M	-	-	-
EfficientNetV2M	220	85.3%	97.4%	54.4M	-	-	-
EfficientNetV2L	479	85.7%	97.5%	119.0M	-	-	-

预测条件：Google在用VGG训练ImageNet比赛当中的1000个类别才能预测

特定场景的识别任务，必须训练自己的模型进行预测。
可以在VGG的基础之上进行训练，节约训练时间，效果也会得到改善
迁移学习

模型获取

from tensorflow.keras.applications import VGG16
model = VGG16()
print(model.summary())

模型打印为：

下载保存模型：

from tensorflow.keras.applications import VGG16
model = VGG16()
model.save_weights("./.keras/model.h5")

预测的图片：（图片资源可以自己寻找进行训练预测）

完整代码如下：

from tensorflow.keras.applications import VGG16
from tensorflow.keras.preprocessing.image import load_img, img_to_array
from tensorflow.keras.applications.vgg16 import decode_predictions
from tensorflow.keras.applications.vgg16 import preprocess_input
def predict():model = VGG16()
# model.save_weights("./.keras/model.h5")# 加载图片并输入到模型中# (224, 224)是VGG的输入要求image = load_img("./images/tiger.png", target_size=(224, 224))image = img_to_array(image)# 输入到卷积中，需要四维结构image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))# print(image.shape)# 预测之前做图片的数据处理，归一化处理等等image = preprocess_input(image)y_predictions = model.predict(image)# print(y_predictions)# 进行结果解码label = decode_predictions(y_predictions)# 预测的结果输出为print("预测的类别为：%s 概率为：%f" % (label[0][0][1], label[0][0][2]))
if __name__ == "__main__":predict()

运行结果：

案例：使用pre_trained模型进行VGG相关推荐

回归综合案例——利用回归模型预测鲍鱼年龄
回归综合案例--利用回归模型预测鲍鱼年龄 1 数据集探索性分析首先将鲍鱼数据集abalone_dataset.csv读取为pandas的DataFrame格式. import pandas as p ...
FATE入门案例——纵向 SecureBoost 模型
FATE入门案例--纵向 SecureBoost 模型 0,demo说明使用的hetero_secureboost案例,角色及数据:(1) guest: breast_hetero_guest.cs ...
【Netty】Netty 入门案例分析 ( Netty 模型解析 | Netty 服务器端代码 | Netty 客户端代码 )
文章目录一. Netty 模型代码解析二. Netty 案例服务器端代码 1 . 服务器主程序 2 . 服务器自定义 Handler 处理者三. Netty 案例客户端代码 1 . 客户端主程序 ...
卡诺模型案例分析_AMOS案例分析 | 结构方程模型（二）
使用结构方程的方法进行模型的验证 1. 替换缺失值在读取数据文件之前,对数据的完整性问题做适当处理.利用SPSS进行数据缺失值的处理.操作过程:转换→替换缺失值输出结果:形成新的数据集.从下表中可 ...
王小草【深度学习】笔记第七弹--RNN与应用案例：注意力模型与机器翻译
标签(空格分隔): 王小草深度学习笔记 1. 注意力模型 1.2 注意力模型概述注意力模型(attention model)是一种用于做图像描述的模型.在笔记6中讲过RNN去做图像描述,但是精准度可 ...
jmeter 登录用户并发压力测试案例_测试模型构建及场景用例设计
确定需求及对应指标后,测试工程师可针对被测业务分析及业务模型,便于测试场景及脚本的设计. 登录业务操作过程: 打开首页--输入用户名及密码,登录--退出系统商品浏览购买操作过程: 打开首页,输入用户 ...
李雅普诺夫和MIT两个MRAC案例的xcos模型
模型来源是GitHub上面的一个公开项目,里面包含了各种工业上的控制方法 Linear Quadratic Regulator (LQR) - For optimal systems Linear Q ...
数据挖掘应用案例：RFM模型分析与客户细分（转）
正好刚帮某电信行业完成一个数据挖掘工作,其中的RFM模型还是有一定代表性,就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式,客户的充值行为记录正好满足RFM模 ...
肝炎案例（清洗+模型）
## 导入需要的库 import warnings warnings.filterwarnings('ignore') import pandas as pd # !pip install regex ...
EC20 centos7 调试_TIA配合NX MCD与SIMIT进行虚拟调试案例步骤与模型
写在面前大家好,我是李孟宦,号主小智前同事~ 前面我们介绍了西门子的仿真与虚拟调试体系: 一文带你了解西门子整个虚拟调试与仿真软硬件体系其中讲到了诸如SIMIT.NX MCD.Process Si ...

案例：使用pre_trained模型进行VGG

案例：使用pre_trained模型进行VGG相关推荐

最新文章

热门文章