Tensorflow2 图像分类-Flowers数据深度学习图像预测的两种方法

图像识别用什么神经网络,图神经网络可以做什么 AI爱发猫。人工神经网络(ArtificialNeuralNetworks)(简称ANN)系统从20世纪40年代末诞生至今仅短短半个多世纪,但由于他具有信息的分布存储、并行处理以及自学习能力等优点,已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播(ErrorBackPropagation)算法的多层前馈网络(Multiple-LayerFeedforwardNetwork)(简称BP网络),可以以任意精度逼近任意的连续函数,所以广泛应用于非线性建模、函数逼近、模 阅读详情

上一篇文章中说明了数据深度学习模型保存、读取、参数查看和图像预测等方法,但是图像预测部分没有详细说明,只是简单预测了单张图片,实际应用过程中,我们需要预测大量的图片数据。本文中将详细介绍两种预测方法即详细代码,将输出预测结果和精度报告,具体如下:

1.预测测试集和所有数据

使用model.predict(ds,verbose=1)预测

在模型训练中,采用tf.keras.preprocessing.image_dataset_from_directory()函数读取文件中的图片数据,文件夹中的子文件夹名称即为图片类别。

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.9,
    subset='training',
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)
test_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    validation_split=0.9,
    subset='validation',
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

 1.1预测测试集

model = tf.keras.models.load_model(model_path)

#预测测试集精度
predictions = model.predict(test_ds,verbose=1)
predicted_classes = tf.argmax(predictions, axis=1)
pred_list = predicted_classes.numpy().tolist()

#获取标签数据
labels = []
for images, labels_batch in test_ds:
    labels.append(labels_batch.numpy())
labels = tf.concat(labels, axis=0)
# 输出预测结果
print(predicted_classes)
df=pd.DataFrame()
list_predict=list(predicted_classes)
df['true']=labels
df['pre']=pred_list
df.to_csv(model_path.replace('.h5','_Val.csv'))
# 计算分类指标
report = classification_report(labels, pred_list)

1.2预测所有数据

如果预测所有数据,可以将训练集和测试集合并,然后进行预测。不过顺序打乱了。

#预测所有数据精度
# 合并训练集和验证集
data_all = train_ds.concatenate(test_ds)  顺序可能变化,重新读取文件夹中的左右数据集
predictions = model.predict(data_all)
predicted_classes = tf.argmax(predictions, axis=1)
pred_list = predicted_classes.numpy().tolist()

#获取标签数据
labels = []
for images, labels_batch in data_all:
    labels.append(labels_batch.numpy())
labels = tf.concat(labels, axis=0)
# 输出预测结果
print(predicted_classes)
df=pd.DataFrame()
list_predict=list(predicted_classes)
df['true']=labels
df['pre']=pred_list
df.to_csv('IP224_predictions_all_20230410.csv')
# report = classification_report(labels, pred_list)
with open('IP224_predictions_report.txt', 'w') as f:
    f.write(classification_report(labels, pred_list))

 还可以重新一次性读取包含所有图片的文件夹数据,然后进行预测,并输出预测结果保存为csv和精度报告txt文件。

代码如下:

data_dir1='RadarData/ALLData'
data_all=tf.keras.preprocessing.image_dataset_from_directory(
    data_dir1,
    validation_split=None,
    #validation_split设置值为None 不区分训练集和测试集
    #如果你不设置 validation_split 参数,tf.keras.preprocessing.image_dataset_from_directory
    # 函数将会从给定目录中读取所有的数据,并将其划分为训练集和验证集两部分,默认比例是80%训练集和20%验证集。
    # subset='training',
    # seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

predictions = model.predict(data_all)
predicted_classes = tf.argmax(predictions, axis=1)
pred_list = predicted_classes.numpy().tolist()

#获取标签数据
labels = []
for images, labels_batch in data_all:
    labels.append(labels_batch.numpy())
labels = tf.concat(labels, axis=0)
# 输出预测结果
print(predicted_classes)
df=pd.DataFrame()
list_predict=list(predicted_classes)
df['true']=labels
df['pre']=pred_list
df.to_csv('IP224_predictions_all_20230410.csv')
# report = classification_report(labels, pred_list)
with open('IP224_predictions_report.txt', 'w') as f:
    f.write(classification_report(labels, pred_list))

 2.遍历预测所有图片数据

代码如下:

# 遍历预测所有图片 效率较低
# pri_data_dir = tf.keras.utils.get_file('pavia_9red_all',origin="")
data_dir1='RadarData/ALLData'
pri_data_dir = pathlib.Path(data_dir1)

sunflower_path=list(pri_data_dir.glob('*/*.png'))
f=open(Outputfilename+"_Pre_all.csv","w")
for i in range(len(sunflower_path)):
    img = keras.preprocessing.image.load_img(
        sunflower_path[i], target_size=(img_height, img_width)
    )
    img_array = keras.preprocessing.image.img_to_array(img)
    img_array = tf.expand_dims(img_array, 0)  # Create a batch

    predictions = model.predict(img_array)
    # print('predictions:',predictions)
    # predictions_classes = model.predict_classes(img_array)
    predictions_classes=np.argmax(model.predict(img_array), axis=-1)
    print('predictions_classes:',predictions_classes)
    score = tf.nn.softmax(predictions[0])
    filepath=str(sunflower_path[i])
    filepath_list = filepath.split("\\")
    filename = filepath_list[-1]
    filename = filename[:-4]
    print(filename)
    # print("{}{:.2f}".format(class_names[np.argmax(score)], 100 * np.max(score)))
    # print(predictions_classes)
    true_class=filename.split('_')[0]  #真实类别
    ID = filename.split('_')[1]  # 真实类别
    print('真实类别是:',true_class)
    line = filename+","+true_class+","+ID+","+"{},{:.2f}".format(class_names[np.argmax(score)], 100 * np.max(score))+"," + str(predictions_classes[0]) + '\n'
    f.write(line)
    #print(filename,".png write completed!")
print("compute completed!")
f.close()

pytorch进阶学习(八):使用训练好的神经网络模型进行图片预测 课程资源: 【小学生都会的Pytorch】九、运用你的模型做预测(1)_哔哩哔哩_bilibili 笔记:https://blog.youkuaiyun.com/weixin_45662399/category_12040625.html?spm=1001.2014.3001.5482 目录一、原理介绍1. 加载模型与参数2. 读取图片3. 图片预处理4. 把图片转换为tensor5. 增加batch_size的维度6. 模型验证6.1 模型的初步输出 6.2 输出预测值概率最大的值和位置 6.3 把tensor转为 阅读详情

相关推荐

【深度学习系列】用PaddlePaddle和Tensorflow进行图像分类

感谢关注天善智能,走好数据之路↑↑↑欢迎关注天善智能,我们是专注于商业智能BI,人工智能AI,大数据分析与挖掘领域的垂直社区,学习,问答、求职一站式搞定!对商业智能BI、大数据分析挖掘、机器学习,python,R等数据领域感兴趣的同学加微信:tstoutiao,邀请你进入数据爱好者交流群,数据爱好者们都在这儿。       上个月发布了四篇文章,主要讲了深度学习中的“he...

简书博客搬家测试账号 961

机器学习之ImageAI:图像预测

以下内容是基于ImageAI的ResNet模型进行学习,所用的相关设置如下: (具体教程可见文末推荐网址1号,如若有相关建议可分享共勉,加油)   工具: JetBrains Pycharm Community Edition 2018.3.1   环境: python 3.7 (Project Interpreter是用Anaconda3-5.3.1中的python.exe,另外为...

qq_34438969的博客 7808

Tensorflow2 图像分类-Flowers数据及分类代码详解

1、基本步骤 (1) 检查和熟悉数据 (2) 构建输入管道 (3) 构建模型 (4) 训练模型 (5) 测试模型 (6) 改进模型并重复此过程 Examine and understand data Build an input pipeline Build the model Train the model Test the model Improve the model and repeat the process 2.数据下载 2.1 环境 需要使用到的库如下: im.

soderayer的博客 5606

单张图像预测结果,并显示在图像上

通过简单地将深度学习模型在imagenet上训练好的参数,调用模型对单张动物图像进行预测,输出的结果显示在当前单张图像上。

XUQIAN_LIUQIAN的博客 429

Python实现简单的深度学习实践

想象一下,如果你是一位探险家,那么Python就是你的地图与指南针,帮助你在这片充满未知的深度学习丛林中找到前进的方向。让我们一起探索新奇的事物,分享生活的点滴,让这个小角落成为我们共同的精神家园。说到创建神经网络,很多人可能会觉得这是一项艰巨的任务,但实际上,在Python的帮助下,这一切变得异常简单。你可以把这里当作自己的家,无论是工作之余的小憩,还是寻找灵感的驿站,我都希望你能在这里找到属于你的那份快乐和满足。

master_chenchen的博客 1916

基于深度学习的鲜花识别系统设计与实现

图像识别是计算机视觉领域的核心技术,通过卷积神经网络(CNN)等深度学习模型,计算机能够自动提取图像特征并进行分类。在工程实践中,TensorFlow和Keras等框架大大降低了深度学习模型的开发门槛。鲜花识别作为典型的多分类问题,相比通用物体检测更具挑战性,需要处理类间相似度高、类内差异大的特点。本项目采用MobileNetV2架构,结合迁移学习和数据增强技术,在8000张鲜花图像数据集上实现了92.3%的识别准确率。系统采用前后端分离架构,通过Flask提供RESTful API,并利用TensorFl

weixin_34198762的博客 421

Tensorflow2 图像分类-Flowers数据深度学习模型保存、读取、参数查看和图像预测

Tensorflow2 图像分类-Flowers数据及分类代码详解这篇文章中,经常有人问到怎么保存模型?怎么读取和应用模型进行数据预测?这里做一下详细说明,原文代码做了少量修改:修改的代码包含:(1)修改了模型,增加了一个卷积层(2)增加模型保存代码;(3)增加模型读取代码,并使用读取到的模型预测图片 模型训练效果 15次epoch有75.61%的精度,增加训练次数应该还有一定提升空间。训练模型的保存实际上只需一行代码就行,在模型训练完成之后,我们将模型保存到指定的路径并给模型命名。模型保存的格式是.h5

soderayer的博客 2065

OpenHarmony端侧AI部署实战:基于MindSpore Lite的图像分类应用开发

端侧AI部署是当前物联网和移动计算领域的关键技术,其核心原理是将云端训练好的深度学习模型,通过轻量化、优化和格式转换,部署到资源受限的边缘设备上执行本地推理。这项技术的核心价值在于实现了低延迟、高隐私保护和离线可用的智能能力,广泛应用于智能摄像头、可穿戴设备、工业质检等场景。借助华为开源的MindSpore Lite推理框架,开发者可以高效地将AI模型集成到OpenHarmony生态的各类终端中。本文以图像分类这一经典计算机视觉任务为例,详细阐述了从模型转换、环境搭建到应用集成的完整工程实践路径,并深入探讨

weixin_34049948的博客 437

TensorFlow 计算机视觉工具全景:图像分类、数据管线与端到端部署实战

本指南以 [site/en/tutorials/images/index.md](https://link.gitcode.com/i/d6175126ec7ed45f3d8ce610238e5ff2) 为核心脉络,系统梳理 TensorFlow 提供的计算机视觉(CV)工具分层:从 KerasCV 模块化组件、`tf.keras.utils` 高层图像工具、`tf.image` 底层原语到 Te

gitblog_00497的博客 191

基于TensorFlow 2.3的花卉识别图像分类系统实战

图像分类是计算机视觉领域的核心任务,旨在通过算法自动识别图像中的物体类别。深度学习尤其是卷积神经网络(CNN)的兴起,使图像分类的准确率大幅提升。借助预训练模型进行迁移学习,即使在数据量有限的情况下也能获得良好性能,这为各类应用场景提供了技术基础。从智能相册、农业监测到安防巡检,图像识别技术正在广泛落地。本文以基于TensorFlow 2.3的花卉识别系统为例,完整展示了从数据预处理、模型训练到界面部署的工程实践,为Python开发者提供了一套可复现的解决方案。

weixin_29056781的博客 317

基于TensorFlow与CNN的花卉图像识别:从数据准备到模型部署的完整实战指南

卷积神经网络(CNN)是计算机视觉领域的核心技术,其通过模拟生物视觉的层次化处理机制,自动从图像中提取局部特征并进行分类。这一原理使其在图像识别、目标检测等任务中展现出巨大价值,广泛应用于安防、医疗、自动驾驶及内容审核等场景。本文聚焦于一个具体的工程实践——花卉图像识别系统,详细阐述了如何利用TensorFlow框架和CNN模型,从零构建一个完整的分类器。文中深入探讨了数据预处理中的关键步骤,如使用tf.data构建高效流水线,并分享了模型训练时应对loss不下降等常见问题的排查方法,为深度学习入门者提供了

weixin_29057163的博客 293

基于Python深度学习花卉识别系统

选择图片后,代码会对图片进行预处理,将其调整为模型所需的大小并进行归一化。导入必要的库:代码开头导入了多个关键库,涵盖了深度学习相关的 TensorFlow 及其数据集模块、用于图像处理的 Pillow 库、用于创建 GUI 的 Tkinter 和 ttkbootstrap 库,以及用于数值计算的 NumPy 库和文件操作的 os 库,为后续的功能实现奠定基础。在类的初始化方法中,设置了窗口的标题、大小,并创建了各种 GUI 组件,如标题标签、提示标签、选择图片按钮、图片显示区域和结果显示区域。

2501_90824910的博客 755

基于CNN的花卉图像分类:从数据准备到模型优化全攻略

图像分类是计算机视觉中最基础也最热门的任务之一,而卷积神经网络(CNN)凭借其端到端学习能力,已成为处理该类问题的核心技术。CNN通过自动提取图像的边缘、纹理、形状等层次化特征,避免了传统手工特征工程的繁琐与不稳定,显著提升了识别准确率。在实际应用中,花卉图像分类不仅适合教学演示,更是毕业设计与课程设计的经典选题。借助迁移学习,即使数据量有限,也能在普通笔记本上快速训练出高精度模型,实现从理论到工程实践的高效落地。本文以完整的项目为主线,涵盖数据集组织、模型构建、训练调参、常见问题排查等关键环节,并结合Te

weixin_33812433的博客 416

TensorFlow手写CNN花卉识别:小样本图像分类工程实践

卷积神经网络(CNN)是图像分类任务的基础深度学习模型,其核心原理在于通过多层可学习的卷积核提取局部空间特征,并经池化与非线性激活实现层级化表征。在小样本场景(如Oxford 102 Flowers仅万级图像、102细粒度类别)下,直接套用大型预训练模型易导致过拟合与解释性缺失,而从零构建轻量CNN能强化对特征提取机制、正则化策略及数据增强逻辑的理解。本文聚焦TensorFlow 2.x实战,覆盖数据管道构建、BatchNorm与Dropout协同正则、GlobalAveragePooling鲁棒设计、sp

weixin_29054195的博客 191

多领域AI数据集合集:图像识别与机器学习实战资源包

在人工智能与数据科学领域,数据集是模型训练与算法验证的基石。从图像分类到回归预测,不同类型的数据集承载着特定领域的研究需求和技术挑战。本章将系统梳理包括flowersBSDS系列、C50PASCAL VOCirisprices.txt以及在内的多个经典数据集,阐述其结构特征、应用场景及在机器学习任务中的角色定位。这些数据集分别对应核心任务:iris和适用于分类任务,体现特征可分性与小样本建模;用于回归分析,反映连续输出建模难点;PASCAL VOC与。

weixin_35094083的博客 1021

TensorFlow 2.3花卉识别实战:CNN、迁移学习与OpenCV部署

图像分类是计算机视觉中最基础也最常用的任务,其核心思想是让机器通过卷积神经网络自动提取图片中的纹理、形状等特征,从而区分不同类别。TensorFlow作为主流深度学习框架,凭借tf.keras高层API让模型搭建变得简洁高效,即使不手写反向传播也能快速训练出可用的分类器。对于小规模数据集,迁移学习利用ImageNet预训练的MobileNetV2等模型,可以有效提升准确率并降低训练成本。这类技术广泛应用于智慧农业、花卉品种鉴定、植物科普等场景。实际工程中,从数据增强、模型选型、回调策略到模型部署,每一步都直

weixin_34379433的博客 363
上一篇: Python遥感图像处理应用篇(三十二):Python+GDAL实现遥感图像进行Majority Analyse分析
下一篇: ENVI 国产高分2号(GF-2)卫星数据辐射定标 大气校正 影像融合
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6104粉丝 270原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值