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 ...
最新文章
- 前端性能毫秒必争方案(一)HTTP请求
- 大数据在彩票预测和解决社会问题的用处
- sql能查到数据 dataset对象里面没有值_新零售数据分析报告
- Hadoop 04_Hadoop2.0
- python云计算开发技术_云计算开发学习笔记:Python3 面向对象技术简介
- 400. 第 N 位数字
- 工作总结19:文档参考
- 接口测试到底是什么?如何制造接口数据
- ORA-01427: 单行子查询返回多个行 出现原因及对应防止措施
- 一文掌握 Docker 技术体系
- 35c语言编程,35编号c语言编程题08850.pdf
- 《python深度学习》总结与感想
- sql函数REPLACE用法,根据指定字符串替换成想要的字符串
- html5跳跳蛙小游戏分析,中班科学优秀教案《跳跳蛙》(5页)-原创力文档
- 微软客户体验中心感受
- 【2021 ICPC Gran Premio de Mexico 2da Fecha F】Flipped Factorization 题解
- 图像传感器的这9个知识点,你都懂吗?
- 详解 http 鉴权
- 51nod1238(杜教筛)
- 【论文精读】EnlightenGAN: Deep Light Enhancement without Paired Supervision