MobileNet V1官方预训练模型的使用
最近看到一个巨牛的人工智能教程,分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。平时碎片时间可以当小说看,【点这里可以去膜拜一下大神的“小说”】。
1. 下载网络结构及模型
1.1 下载MobileNet V1定义网络结构的文件
MobileNet V1的网络结构可以直接从官方Github库中下载定义网络结构的文件,地址为:https://raw.githubusercontent.com/tensorflow/models/master/research/slim/nets/mobilenet_v1.py
1.2 下载MobileNet V1预训练模型
MobileNet V1预训练的模型文在如下地址中下载:
https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md
打开以上网址,可以看到MobileNet V1官方预训练的模型,官方提供了不同输入尺寸和不同网络中通道数的多个模型,并且提供了每个模型对应的精度。可以根据实际的需要下载对应的模型,如下图所示。
这里以选择MobileNet_v1_1.0_192为例,表示网络中的所有卷积后的通道数为标准通道数(即1.0倍),输入图像尺寸为192X192。
2. 构建网络结构及加载模型参数
2.1 构建网络结构
在1.1小节中下载mobilenet_v1.py文件后,使用其中的mobilenet_v1函数构建网络结构静态图,如下代码所示。
import tensorflow as tf
from mobilenet_v1 import mobilenet_v1,mobilenet_v1_arg_scope
slim = tf.contrib.slim
def build_model(inputs): with slim.arg_scope(mobilenet_v1_arg_scope(is_training=False)):logits, end_points = mobilenet_v1(inputs, is_training=False, depth_multiplier=1.0, num_classes=1001)scores = end_points['Predictions']print(scores)#取概率最大的3个类别及其对应概率output = tf.nn.top_k(scores, k=3, sorted=True)#indices为类别索引,values为概率值return output.indices,output.values
上面代码中,使用函数tf.nn.top_k取概率最大的3个类别机器对应概率。
2.2 加载模型参数
CKPT = 'mobilenet_v1_1.0_192.ckpt'
def load_model(sess):loader = tf.train.Saver()loader.restore(sess,CKPT)inputs=tf.placeholder(dtype=tf.float32,shape=(1,192,192,3))
classes_tf,scores_tf = build_model(inputs)
with tf.Session() as sess:load_model(sess)
先定义placeholder输入inputs,再通过函数build_model完成静态图的定义。接下来传入tf.Session对象到load_model函数中完成模型加载。
3. 模型测试
3.1 加载Label
网络输出结果为类别的索引值,需要将索引值转为对应的类别字符串。先从官网下载label数据,需要注意的是MobileNet V1使用的是ILSVRC-2012-CLS数据,因此需要下载对应的Label信息(本文后面附件中会提供)。解析Label数据代码如下。
def load_label():label=['其他']with open('label.txt','r',encoding='utf-8') as r:lines = r.readlines()for l in lines:l = l.strip()arr = l.split(',')label.append(arr[1])return label
3.2 测试结果
使用如下图片进行测试。
执行inference.py后,控制台输出结果如下所示。
识别 test_images/test1.png 结果如下:No. 0 类别: 军用飞机 概率: 0.9363691No. 1 类别: 飞机翅膀 概率: 0.032617383No. 2 类别: 炮弹 概率: 0.01853972识别 test_images/test2.png 结果如下:No. 0 类别: 小儿床 概率: 0.9455737No. 1 类别: 摇篮 概率: 0.044925883No. 2 类别: 板架 概率: 0.007288801
4 完整代码
inference.py完整的代码如下所示。
import tensorflow as tf
from mobilenet_v1 import mobilenet_v1,mobilenet_v1_arg_scope
import cv2
import os
import numpy as np
slim = tf.contrib.slim
CKPT = 'mobilenet_v1_1.0_192.ckpt'
dir_path = 'test_images'def build_model(inputs): with slim.arg_scope(mobilenet_v1_arg_scope(is_training=False)):logits, end_points = mobilenet_v1(inputs, is_training=False, depth_multiplier=1.0, num_classes=1001)scores = end_points['Predictions']print(scores)#取概率最大的5个类别及其对应概率output = tf.nn.top_k(scores, k=3, sorted=True)#indices为类别索引,values为概率值return output.indices,output.valuesdef load_model(sess):loader = tf.train.Saver()loader.restore(sess,CKPT)def get_data(path_list,idx): img_path = images_path[idx]img = cv2.imread(img_path)img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)img = cv2.resize(img,(192,192))img = np.expand_dims(img,axis=0)img = (img/255.0-0.5)*2.0return img_path,img
def load_label():label=['其他']with open('label.txt','r',encoding='utf-8') as r:lines = r.readlines()for l in lines:l = l.strip()arr = l.split(',')label.append(arr[1])return labelinputs=tf.placeholder(dtype=tf.float32,shape=(1,192,192,3))
classes_tf,scores_tf = build_model(inputs)
images_path =[dir_path+'/'+n for n in os.listdir(dir_path)]
label=load_label()
with tf.Session() as sess:load_model(sess)for i in range(len(images_path)):path,img = get_data(images_path,i)classes,scores = sess.run([classes_tf,scores_tf],feed_dict={inputs:img})print('\n识别',path,'结果如下:')for j in range(3):#top 3idx = classes[0][j]score=scores[0][j]print('\tNo.',j,'类别:',label[idx],'概率:',score)
5. 附件下载
https://download.csdn.net/download/huachao1001/10737491
MobileNet V1官方预训练模型的使用相关推荐
- Jetson Nano官方预训练模型百度网盘下载链接分享
在做Jetson Nano开发板测试的时候,很多预训练模型需要下载,当运行官方给的教程下载时,发现即使使用了外网也没办法下载. 官方下载方式(方式一) $ cd jetson-inference/to ...
- PaddlePaddle预训练模型大合集,还有官方使用说明书
PaddlePaddle在不断增加官方支持的模型的同时,也在关注预训练模型的丰富度. 在过去的版本中,我们已经发布了目标检测Faster-RCNN.MobileNet-SSD.PyramidBox和场 ...
- 最强中文NLP预训练模型艾尼ERNIE官方揭秘【附视频】
"最近刚好在用ERNIE写毕业论文" "感觉还挺厉害的" "为什么叫ERNIE啊,这名字有什么深意吗?" "我想让艾尼帮我写作业& ...
- 直播回顾 | 最强中文NLP预训练模型艾尼ERNIE官方揭秘
允中 发自 凹非寺 量子位 编辑 | 公众号 QbitAI "最近刚好在用ERNIE写毕业论文" 看了上面热火的讨论,你一定很好奇"艾尼"."ERNI ...
- 【视频】超越BERT的最强中文NLP预训练模型艾尼ERNIE官方揭秘
分章节视频链接:http://abcxueyuan.cloud.baidu.com/#/course_detail?id=15076&courseId=15076 完整视频链接:http:// ...
- 公开课视频(七):最强中文NLP预训练模型艾尼ERNIE官方揭秘
"最近刚好在用ERNIE写毕业论文" "感觉还挺厉害的" "为什么叫ERNIE啊,这名字有什么深意吗?" "我想让艾尼帮我写作业& ...
- 图像分类任务不用冷启动,PaddlePaddle一口气发布十大预训练模型
https://www.toutiao.com/a6645090596073505293/ 2019-01-11 12:25:20 PaddlePaddle在不断增加官方支持的模型的同时,也在关注预训 ...
- 面向Mobile device的CNN模型手工设计与NAS分析总结,MobileNet V1,V2,V3,Efficient,MNasNet以及Efficient network design
手工方法和NAS的高效网络模型设计总结与分析 这篇文章主要关注对于移动端,资源受限平台的高效神经网络设计(Manually)和搜索(NAS). 高效的CNN设计不只是用在服务器,云端,资源 ...
- 腾讯老照片修复算法开源,细节到头发丝,3种预训练模型可下载 | GitHub热榜
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 还记得这个能将老照片修复到纤毫毕现的GFPGAN吗? 现在,它的代码正式开源了! 官方已经在GitHub上传了3个预训练模型,3个版本的效果区别如 ...
最新文章
- java swing 右键_java swing制作右键菜单
- 你们可能都小看了Windows!
- Spring boot属性松散绑定
- MySQL删除普通用户
- mPaas-RPC拦截器各种场景下的使用指南
- mysql数据库添加索引和去重
- Linux下搭建iSCSI共享存储详细步骤(服务器模拟IPSAN存储)
- 管理学习笔记(1)——高效团队的五大关键
- HDFS报错:there are 15871 missing blocks,the following files may be corrupted
- 勘验图系统(GDI+绘图)
- IOS网络——检测网络状态:Reachability
- OSG中读取shp数据
- RFC2544性能测试简介
- 学习笔记16-HC05
- 国家虚拟仿真实验教学项目共享平台(实验空间)PHP SDK
- 中国研修网计算机培训心得,网络研修培训心得体会(精选7篇)
- 微信图片服务器逻辑,关于图片上传原图会被压缩的解决方案
- 破解百度图片防爬虫机制(百度图片爬虫)
- 拼多多,太鸡贼了!卑鄙是卑鄙者的通行证
- Android 实现企业微信自动打卡任务同时支持钉钉急速打卡模式