【培训】MMEdu离线版的使用：实现石头剪刀布图像分类的检测

原创已于 2022-11-26 09:00:04 修改 · 1.1k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

于 2022-11-25 21:02:28 首次发布

Python 专栏收录该内容

104 篇文章

订阅专栏

本文档介绍了MMEdu离线版的使用步骤，包括如何初始化、运行jupyter编辑器以及图像分类模块的三种用法。通过示例展示了如何加载模型、进行普通推理、快速推理和拍照推理，并提供了代码示例。同时，详细解释了文件夹结构和图像引用路径。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、MMEdu离线版的使用

1.双击XEdu v1.0.exe解压缩到某个盘，会是一个文件夹XEdu
2.进入XEdu，双击运行“点我初始化.bat”，等待至运行结束命令提示符窗口自动关闭
3.双击运行“jupyter编辑器.bat”，将会打开一个网页版jupyter，选择进入demo文件夹
4.选择“MMEdu_cls_demo.py”可以看教程（前半部）
5.或新建一个文件，放入以下三种中的一种对图像分类模块的使用
6.运行

二、对文件夹的介绍

1.XEdu
在这里插入图片描述
2.XEdu里面的demo文件夹

img如果引用的是img=‘D:/XEdu/demo/testPic/testscissors01-01.png’，则是绝对路径
img如果引用的是img=‘testrock01-02.png’，则是该文件同路径的图片。

三、三种图像分类模块的使用

hand_gray/latest.pth可以用hand_gray_continue/latest.pth或hand_gray_new/latest.pth替换

1.普通

##导入图像分类模块
from  MMEdu import MMClassification as cls
##实例化模型 LeNet一个轻量级卷积神经网络模型
model=cls('LeNet')
##指定模型保存的路径
#一般的编程语言中，反斜杠\一般理解为转义字符，所以在路径中需要用\\表示\
#所以我们用/就好
checkpoint='D:/XEdu/checkpoints/cls_model/hand_gray/latest.pth'#权重文件
class_path='D:/XEdu/dataset/cls/hand_gray/classes.txt'#分类标签信息文件
#checkpoint='../checkpoits/cls_model/hand_gray'
#class_path='../dataset/cls/hand_gray/classes.txt'
##指定图片，开始推理
img='D:/XEdu/demo/testPic/testscissors01-01.png'
result=model.inference(image=img,show=True,class_path=class_path,checkpoint=checkpoint)
model.print_result(result) #如[{'标签': 1, '置信度': 0.6409855484962463, '预测结果': 'rock'}]
##返回的数据类型是一个字典列表
##用字典访问其中的元素
x=model.print_result(result)
print('标签（序号）为：{}'.format(x[0]['标签']))
classes=['布','石头','剪刀']
print('识别结果为：{}'.format(classes[x[0]['标签']]))

2.快速推理

##导入图像分类模块
from  MMEdu import MMClassification as cls
####快速推理：先加载权重文件，再推理，可以大大加快推理的速度
model=cls('LeNet')
checkpoint='D:/XEdu/checkpoints/cls_model/hand_gray/latest.pth'#权重文件
class_path='D:/XEdu/dataset/cls/hand_gray/classes.txt'#分类标签信息文件
model.load_checkpoint(checkpoint=checkpoint,class_path=class_path)
img='D:/XEdu/demo/testPic/testscissors01-01.png'
#result=model.fast_inference(img)##不显示图像
result=model.fast_inference(img,show=True)##显示图像
model.print_result(result)

3.拍照推理

##导入图像分类模块
from  MMEdu import MMClassification as cls
####拍照推理
import cv2
camera=cv2.VideoCapture(0)
ret,img=camera.read()
camera.release()
#result=model.fast_inference(img)##不显示图像
result=model.fast_inference(img,show=True)##显示图像
model.print_result(result)