GoogleNet对图像进行分类_sz=net.layers-优快云博客

本文详细介绍了如何使用预训练的GoogLeNet深度卷积神经网络对图像进行分类，包括网络加载、图像预处理及分类结果展示，完美识别了示例图片中的辣椒。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文链接： https://blog.youkuaiyun.com/lanluyug/article/details/89498737

说明：此示例是加载已经训练好的googLeNet网络。

1. GoogLeNet网络介绍

此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 对图像进行分类。

GoogLeNet 已经对超过一百万个图像进行了训练，可以将图像分为 1000 个对象类别（例如键盘、咖啡杯、铅笔和多种动物）。该网络已基于大量图像学习了丰富的特征表示。网络以图像作为输入，然后输出图像中对象的标签以及每个对象类别的概率。

完整代码示例：


 
 
   
   
    
    
   
   
   
   
    
    
     
     clear
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     close all
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     clc
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     % Access the trained model 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     net = googlenet; 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     % See details 
     
     of the architecture 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     net.Layers 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     % 
     
     Read the image 
     
     to classify 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     I = imread(
     
     'peppers.png'); 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     % Adjust size 
     
     of the image 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     sz = net.Layers(
     
     1).InputSize 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     I = I(
     
     1:sz(
     
     1),
     
     1:sz(
     
     2),
     
     1:sz(
     
     3)); 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     % Classify the image using GoogLeNet 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     label = classify(net, I) 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     % Show the image 
     
     and the classification results 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     figure 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     imshow(I) 
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     text(
     
     10,
     
     20,char(
     
     label),
     
     'Color',
     
     'white')

一般情况下，在第5行会出现报错，那是因为我们需要下载和安装GoogLeNet Network模块，在报错的红字中有安装的路径(Add-On-Explorer)，只需要点击进去登陆便可以下载此模块：

代码运行结果：

完美识别了此张图片为辣椒.

官方help示例;


 
 
   
   
    
    
   
   
   
   
    
    
     
     clear
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     close all
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     clc
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     %% 加载预训练网络
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     net = googlenet;
    
    
   
   

   
   
    
    
   
   
   
   
    
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     inputSize = net.Layers(
     
     1).InputSize
    
    
   
   

   
   
    
    
   
   
   
   
    
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     classNames = net.Layers(end).ClassNames;
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     numClasses = numel(classNames);
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     disp(classNames(randperm(numClasses,
     
     10)))
    
    
   
   

   
   
    
    
   
   
   
   
    
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     %% 读取图像并调整图像大小
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     I = imread(
     
     'peppers.png');
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     figure
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     imshow(I)
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     size(I)
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     I = imresize(I,inputSize(
     
     1:
     
     2));
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     figure
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     imshow(I)
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     %% 对图像进行分类
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     [label,scores] = classify(net,I);
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     label
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     figure
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     imshow(I)
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     title(string(label) + ", " + num2str(100*scores(classNames == label),3) + "%");
    
    
   
   

   
   
    
    
   
   
   
   
    
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     %% 显示排名靠前的预测值
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     [
     
     ~,idx] = sort(scores,
     
     'descend');
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     idx = idx(
     
     5:
     
     -1:
     
     1);
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     classNamesTop = net.Layers(end).ClassNames(idx);
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     scoresTop = scores(idx);
    
    
   
   

   
   
    
    
   
   
   
   
    
     
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     figure
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     barh(
     
     scoresTop)
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     xlim(
     
     [0 1])
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     title(
     
     'Top 5 Predictions')
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     xlabel(
     
     'Probability')
    
    
   
   

   
   
    
    
   
   
   
   
    
    
     
     yticklabels(
     
     classNamesTop)