27、深度学习中的图像分类、目标检测与TensorFlow应用

深度学习中的图像分类、目标检测与TensorFlow应用

1. 图像分类：SqueezeNet的应用

在图像分类任务中，SqueezeNet架构展现出了强大的性能。在 image_classification_opencv_squeezenet_caffe.py 脚本里，我们使用SqueezeNet进行图像分类。它能达到AlexNet级别的准确率，却只需AlexNet 1/50的参数。

这里使用的是SqueezeNet v1.1，相较于v1.0，它的计算量减少了2.4倍，且不会牺牲准确率。以下是某次分类的前10个预测结果：
| 标签 | 概率 |
| — | — |
| church | 0.9967952371 |
| monastery | 0.001899079769 |
| bell cote | 0.0006924766349 |
| mosque | 0.0002616141282 |
| dome | 0.0001891527208 |
| palace | 0.0001046952093 |
| stupa | 8.239243471e - 06 |
| vault | 7.135886335e - 06 |
| triumphal arch | 6.732503152e - 06 |
| cinema | 4.201304819e - 06 |

从这些结果可以看出，模型对教堂的预测概率极高，说明在这次分类中，图像大概率是教堂。

2. OpenCV深度学习目标检测

目标检测