pytorch如何用自己训练好的模型预测新的图片类型？

最新推荐文章于 2024-07-12 07:47:18 发布

墨白,,,

最新推荐文章于 2024-07-12 07:47:18 发布

阅读量1.1w

点赞数

CC 4.0 BY-SA版权

分类专栏： pytorch

本文链接：https://blog.youkuaiyun.com/qq_40433972/article/details/84928366

pytorch 专栏收录该内容

1 篇文章

订阅专栏

博主寻求帮助，询问如何使用Pytorch中自己训练好的模型来预测新的图片类型，涉及信息技术领域中深度学习模型应用的问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

求大神帮助，pytorch如何用自己训练好的模型预测新的图片类型？

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

墨白,,,

关注关注

0
点赞
踩
16

收藏

觉得还不错? 一键收藏
10
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

PyTorch深度学习实战（1）——神经网络与模型训练过程详解

盼小辉丶的博客

05-28

8万+

在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。

PyTorch基于预训练模型的图像分割预测示例

最新发布

brucexia的专栏

08-06

751

因为模型是在21个类（包括背景类）上训练的，输出有21个通道，其中该图像的每个像素对应于一个类，所以二维图像（形状[H×W]）的每个像素将与相应的类标签对应。对于该二维图像中的每个（x，y）像素，将对应于表示类的0~20的数字。然后使用argmax选出每个类别中概率最大的，并将第0个维度去掉，变成H×W的二维图像，这样每一个像素代表的就是该点的类别。这是经过模型预测后的模型输出，可以看到，对于原始图像，已经可以较为明显地分辨出图像中存在的生物，虽然在细节上还是欠佳，但是作为图像分割的基准还是可以使用的。

10 条评论您还未登录，请先登录后发表或查看评论

PyTorch 模型训练实用教程

12-21

本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函数，并且对 PyTorch

pytorch提供的网络模型（预测图片类别）

z1139269312的博客

10-27

992

vgg16 因为vgg16太大了（100多个G）所以没有下载 pretrained = False 模型中所有的参数为默认参数 pretrained = True 模型中所的参数为训练好的参数 from torch import nn vgg16_false = torchvision.models.vgg16(pretrained=False) vgg16_true = torchvision.models.vgg16(pretrained=True) pr...

python怎么使用已经训练好的模型

2401_85977298的博客

07-12

2625

而验证集文件，主要就是将图片分类输出出来。快照的大用途：如果出了什么意外中断了训练，那真是天都要塌了，所以快照存储了训练的中间结果，这个设计真是人性化，当再次训练时，就可以从快照中恢复数据了。1、如何将mean.binaryproto转由于验证的时候需要在python下，验证新图片的时候，是先读入然后减去均值，这时候均值就需要一个python可以理解的版本。2、要fine-tuning别人的模型，则需要先down他们的模型快照，然后继续训练，继续训练的时候可以让学习率降低到很小，把全连接层可以稍微分一下。

pytorch学习笔记-----现有模型的使用和修改

qq_43482596的博客

11-23

435

注意事项： 1.很多现有的，比较好的网络模性都在torchvision.models模块下下面观看完整代码 import torchvision from torch import nn #现有模型的使用和修改 vgg16_flase = torchvision.models.vgg16(pretrained=False)#pretrained=false仅仅就是将网络模型在这里进行替换，参数都是随机初始化的 #vgg16_true = torchvision.models.vgg1..

使用Pytorch自带模型预测图片

jiugeshao的专栏

03-06

4277

使用 pytorch训练自己的图片分类模型

hawk2014bj的博客

04-25

1053

如何自己训练一个图片分类模型，如果一切从头开始，对于一般公司或个人基本是难以实现的。其实，我们可以利用一个现有的图片分类模型，加上新的分类，这种方式叫做迁移学习，就是把现有的模式知识，转移到新的模型。Pytorch 官网提供已经训练好的模型，可以在此基础上训练自己的模型。我们用的模型是 VGG 分类模型，首先，先运行一个已经训练好的模型可做 1000 个分类。

Pytorch加载训练好的模型并预测

热门推荐

weixin_43243483的博客

02-03

2万+

Pytorch加载训练好的模型并预测Pytorch模型的保存模型的加载利用加载好的模型预测（照片） Pytorch模型的保存根据官方介绍，pytorch模型的保存有不同的方法，这里使用的是官方推荐的只保存模型的state_dict(weight and bias). # model: 模型名称 # save_path: 模型保存的路径 torch.save(model.state_dict(), save_path) 模型的加载官方给的代码如下： # the model class: 你所定义的模型

（二）pytorch利用训练好的模型来进行预测

qq_44644355的博客

07-26

7313

前面我们训练的用的数据是ants(蚂蚁)和bees(蜜蜂), 所以预测时用的图片应该跟训练时类似。本次测试的图片为ants，如下图所示：代码中的图片路径和模型路径根据自己的情况来修改预测代码为： import torch, glob, cv2 import numpy as np import torch.nn as nn import torch.nn.functional as F from torchvision import models, transforms import matplot

pytorch 保存模型和恢复模型

aivgipy310352的博客

06-17

464

主要有两种方法序列化和恢复模型（1）（推荐）只保存和加载模型参数 torch.save(the_model.state_dict(), PATH)#恢复the_model = TheModelClass(*args, **kwargs)the_model.load_state_dict(torch.load(PATH）（2）保存和加载整个模型（然而，在这种情况下，序列...

YOLOv8训练好的pt文件如何用来预测

qq_43471945的博客

12-12

3228

仅需要把自己的模型放入即可。

pytorch使用预训练图像模型分类预测

weixin_43900469的博客

01-19

771

在模型输出得到类别的分数，由于需要置信度，需要使用softmax归一化，结果是所有类别的和为1，并且得到了置信度。可以看到这里的test_transform是一个对象，也就是经过上述compose后的返回值。RCTN模板：缩放、裁剪、转tensor、归一化（均值标准差按照惯例）从torchvision导入的models中包含了许多预训练模型。transforms从torvhvison导入。增加一个维度后才可传入模型。

使用Pytorch对模型进行训练以及使用保存好的模型进行预测

wardenjohn的博客

04-22

6799

本文是针对使用Pytorch的新手对如何使用Pytorch进行网络的训练以及使用的简单的教程其中，对于Pytorch的安装等方式就不讲了，默认大家都安装好了，但是实在是不知道的话直接通过conda或者pip安装torch也是可行的。但是直接通过官网下我觉得是最好的方法（官网上有下载最新版的命令）需要注意的是，这里附上的代码只是一个示意，没有完整的定义和测试，只是告诉你具体的使用的方法和思路，你直接copy下来应该是运行不了的！使用Pytorch进行模型的训练首先，在使用pytorch进行训练之前需要

4. 使用预训练的PyTorch网络进行图像分类

qq_40985985的博客

01-14

1810

这篇博客将介绍如何使用PyTorch预先训练的网络执行图像分类。利用这些网络只需几行代码就可以准确地对1000个常见对象类别进行分类。这些图像分类网络是开创性的、最先进的图像分类网络，包括VGG16、VGG19、Inception、DenseNet和ResNet。图像分类允许为输入图像指定一个或多个标签，然而它并没有告诉对象在图像中的位置。要确定给定对象在输入图像中的位置，需要应用对象检测。下一篇博客将介绍如何使用PyTorch使用专门的对象检测网络检测图像中的对象。.........

Pytorch~训练-使用

whaosoft143ai的博客

02-16

4656

Pytorch中提供了很多已经在ImageNet数据集上训练好的模型了，可以直接被加载到模型中进行预测任务。预训练模型存放在Pytorch的torchvision中库，在torchvision库的models模块下可以查看内置的模型，models模块中的模型包含四大类， whaosoft aiot http://143ai.com

PyCharm入门学习笔记（四）模型的使用

shendaiyan的博客

07-27

1728

2）pretrained=True时，它就要去从网络中下载，比如说卷积层对应的参数时多少，池化层对应的参数时多少等。这些参数都是在 ImageNet 数据集中训练好的。1）pretrained=False时，只是加载网络模型，把神经网络的代码加载了进来，其中的参数都是默认的参数，不需要下载。根据输出，可以明显可以看出，测试错误；因为我们用的这个模型就训练了一轮，正确率不高；这里可以看出随着训练的进行loss不断减小。因为训练时间过长，这里只展示测试前几轮。利用已经训练好的模型给它提供输入。

pytorch使用训练好的模型，读取文件夹中的图片进行预测，折线图

05-30

好的，下面是使用 PyTorch 加载已训练好的模型，读取文件夹中的图片进行预测，并生成折线图的代码： ```python import torch import torchvision.transforms as transforms from PIL import Image import os import matplotlib.pyplot as plt # 加载模型 model = torch.load('model.pth', map_location=torch.device('cpu')) # 定义变换 transform = 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]) ]) # 预测图片 image_folder = 'image_folder' results = [] for filename in os.listdir(image_folder): image_path = os.path.join(image_folder, filename) image = Image.open(image_path) image_tensor = transform(image) image_tensor = image_tensor.unsqueeze(0) with torch.no_grad(): output = model(image_tensor) _, predicted = torch.max(output.data, 1) predicted_class = predicted.item() results.append(predicted_class) # 绘制折线图 plt.plot(results) plt.xlabel('Image Index') plt.ylabel('Predicted Class') plt.show() ``` 这段代码与之前的代码类似，只是在预测图片后，将每张图片的预测结果保存到一个列表 `results` 中。然后，代码使用 `matplotlib` 库绘制折线图，横轴是图片的索引，纵轴是预测结果。最后，代码调用 `plt.show()` 函数显示折线图。注意，这段代码仅适用于分类问题，如果是回归问题，需要进行相应的修改。另外，为了保证折线图的可读性，建议 `image_folder` 中的图片数量不要太多。