python与机器学习（七）下——torchvision预训练模型测试真实图像分类

任务要求：利用torchvision中的预训练CNN模型来对真实的图像进行分类，预测每张图片的top5类别。
数据: real_image, class_index.json

导入：

import torch
from torchvision import models, datasets, transforms
from torch.utils.data import DataLoader, Dataset
from PIL import Image
import numpy as np
import torchvisionimport os
import json
import time
import matplotlib.pyplot as plt
%matplotlib inline

1. 类别索引：

构建类别索引词典

f = open('./data/class_index.json')
class_index = json.load(f)
print('class num:', len(class_index))
class_dict = {int(k): v[1] for k, v in class_index.items()}
print(class_dict)

2. 预训练模型：

加载预训练CNN模型

import ssl
alexnet = models.alexnet(pretrained=True)
# import ssl
# resnet = models.resnet50(pretrained=True)

3. 图像预处理：

图像缩放、裁剪、转Tensor、归一化

image_transforms = transforms.Compose([transforms.Resize(256),                    transforms.CenterCrop(224),                transforms.ToTensor(),                     transforms.Normalize(                      mean=[0.485, 0.456, 0.406],                std=[0.229, 0.224, 0.225]                  )
])

4. 测试数据集加载：

构建测试数据集，迭代返回预处理后的Tensor格式图像和原始图像

class TestDataset():def __init__(self, root, transforms=None):imgs = os.listdir(root)self.imgs = [os.path.join(root, img) for img in imgs]self.transforms = transformsdef __getitem__(self, index):img_path = self.imgs[index]img_pil = Image.open(img_path)label = Noneimg_np = np.asarray(img_pil)data = self.transforms(img_pil)return data, img_npdef __len__(self):return len(self.imgs)

test_dir = './data/real_image/'
test_dataset = TestDataset(test_dir, image_transforms)
print('test image num:', test_dataset.__len__())

运行结果如下：

test image num: 20

5. 模型预测图像类别：

在测试模式下，对于每张图片显示原始图像，并输出模型预测的top5类别及top1类别

alexnet.eval()
for data, img_np in test_dataset:img = torch.unsqueeze(data, 0)output = alexnet(img)_, index = torch.max(output, 1)index=index.numpy()percentage = torch.nn.functional.softmax(output, dim=1)[0] * 100plt.imshow(img_np, aspect='auto')plt.show()print('top1类别:')print(class_dict[index[0]], percentage[index[0]].item())_, indices = torch.sort(output, descending=True)indices=indices.numpy()print('top5类别:')for idx in indices[0][:5]:print((class_dict[idx], percentage[idx].item()))print()

运行结果如下（部分）：

……

python与机器学习（七）下——torchvision预训练模型测试真实图像分类相关推荐

深度学习之openvino预训练模型测试（车牌识别）
0 背景在上一篇文章<深度学习之openvino预训练模型测试>,我们介绍了如何使用 intel 提供的预训练模型完成语义分割任务.但在用 public 预训练模型时,发现我的 open ...
深度学习之openvino预训练模型测试
0 背景在<深度学习之win10安装配置openvino>中我们介绍了 openvino 的安装方法,本文对下一步的使用进行一个介绍. 1 模型介绍 openvino 提供了一系列的预训 ...
pix2pix学习系列（1）：预训练模型测试pix2pix
pix2pix学习系列(1):预训练模型测试pix2pix 参考文献: [Pytorch系列-66]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix ...
【小白学PyTorch】5.torchvision预训练模型与数据集全览
[机器学习炼丹术]的学习笔记分享 <<小白学PyTorch>> 小白学PyTorch | 4 构建模型三要素与权重初始化小白学PyTorch | 3 浅谈Dataset和Da ...
mmsegmentation使用教程使用 OpenMMLab 的 MM segmention 下Swin-T 预训练模型语义分割推理的记录
前言: 给大家说一下怎么使用mmsegmention时,毕竟自己用mmsegmention走过很多弯路,然后结合其他人的文章和mmsegmention自己的doc来写下这个教程第一部分: 我的电脑配 ...
python寻找近义词：预训练模型 nltk+20newsbydate / gensim glove 转 word2vec
本文用python寻找英文近义词(中文:https://github.com/huyingxi/Synonyms) 使用的都是预训练模型方法一.nltk+20newsbydate (运行时下载太慢/ ...
[Pytorch系列-66]：生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix - 使用预训练模型测试pix2pix模型
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
RoNIN: Robust Neural Inertial Navigation预训练模型测试
接着上篇模型驱动PDR的文章继续往下讲: RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, a ...
NeXtVLAD 飞酱预训练模型测试
hi,dear 大佬: 找遍了全网,只有飞酱提供了预训练的模型,请使用_final版本的,下面我将用inceptionV3提取图像特征然后经过该模型得到concat之前聚类之后的特征,该特征我将用做e ...