如何将文件或图像作为 Keras 模型中的参数提供给 model.predict？

Posted 2023-03-12

【中文标题】如何将文件或图像作为 Keras 模型中的参数提供给 model.predict？

【英文标题】：How to give file or image to model.predict as a parameter in a Keras model?

【发布时间】：2020-11-23 21:28:36

【问题描述】：

我看过一个关于 Python 图像识别的教程，并使用编写的代码来训练网络。它编译和学习很好，但是如何用它来预测新图像呢？可能类似于：model.predict(y)?

代码如下：

import numpy
from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense, Flatten, Activation
from keras.layers import Dropout
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.utils import np_utils
from keras.optimizers import SGD

numpy.random.seed(42)

#Loading data
(X_train, y_train), (X_test, y_test) = cifar10.load_data()

batch_size = 32

nb_classes = 10
#Number of epochs
epochNumber = 25
#Image size
img_rows, img_cols = 32, 32
#RGB
img_channels = 3


X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

#To catogories
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

#Creating a model
model = Sequential()

#Adding layers
model.add(Conv2D(32, (3, 3), padding='same',
                        input_shape=(32, 32, 3), activation='relu'))
model.add(Conv2D(32, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same', activation='relu'))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(nb_classes, activation='softmax'))

#Optimization
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])
#Training model
model.fit(X_train, Y_train,
              batch_size=batch_size,
              epochs=epochNumber,
              validation_split=0.1,
              shuffle=True,
              verbose=2)


scores = model.evaluate(X_test, Y_test, verbose=0)
print("Accuracy on test data: %.2f%%" % (scores[1]*100))

那么，如何预测呢？

target = "C://Users//Target.png"
print(model.predict(target))

如何正确使用model.predict以及如何将结果转换为用户友好的输出？

【问题讨论】：

您需要先将图像加载到数组中，然后才能使用model.predict。然后，您可以在模型输出上运行 .argmax(-1) 以获取预测的类的 ID。

【参考方案1】：

注意：如果您使用keras 包而不是tf.keras，请将以下所有代码sn-ps 中的tf.keras 替换为keras。

---

要加载单张图片，可以使用tf.keras.preprocessing.image.load_img：

image = tf.keras.preprocessing.image.load_img(image_path, target_size=(img_rows, img_cols))

这会将图像加载为PIL 格式；因此，我们需要先将其转换为 numpy 数组，然后再将其提供给我们的模型：

import numpy as np

input_arr = tf.keras.preprocessing.image.img_to_array(image)
input_arr = np.array([input_arr])  # Convert single image to a batch.

现在，你可能会因为在input_arr 上使用predict 方法而犯了一个错误。但是，您应该首先在预测阶段执行与训练阶段相同的预处理步骤：

input_arr = input_arr.astype('float32') / 255.  # This is VERY important

现在，可以将其提供给模型进行预测：

predictions = model.predict(input_arr)

---

奖励：由于您的模型是一个分类器，并且它在顶部使用 Softmax 激活，因此predictions 变量将包含每个类的概率。为了找出预测的类，我们使用 Numpy 中的argmax 来查找概率最高的类的索引：

predicted_class = np.argmax(predictions, axis=-1)

【参考方案2】：

您可以使用 cv2 读取图像。您想确保您在训练中对输入图像所做的任何处理，您也对您使用 CV2 读入的图像进行处理。小心 CV2 以 BGR 格式读取图像。如果您在 rgb 图像上训练您的模型，您需要将 cv2 图像转换为 rgb，如下面的代码所示。然后您想让图像为 32 X 32 X3，因此如果不是该大小，请使用 cv2 调整图像大小。我假设您重新缩放了训练图像，因此您也需要重新缩放 cv2 图像。代码如下

import cv2
img=cv2.imread(f_path)  # where f_path is the path to the image file
img=cv2.resize(img, (32,32), interpolation = cv2.INTER_AREA)  
img=img/255
# CV2 inputs images in BGR format in general when you train a model you may have
#trained it with images in rgb format. If so you need to convert the cv2 image.
#uncomment the line below if that is the case.
#img=img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
predictions=model.predict(img)
pre_class=predictions.argmax()
# this will give you an integer value