【图片分类】基于inception的迁移学习图片分类单（多）张图片测试代码_迁移学习inceptionv3 测试单张图片分类-优快云博客

本文链接：https://blog.youkuaiyun.com/ycc2011/article/details/89152217

本文分享了一段使用官方TensorFlow库进行花卉分类的迁移学习代码，详细介绍了如何利用预训练的Inception-v3模型对单张或多张图片进行分类识别。代码实现了从本地读取图片、处理图片并获取特征向量，再到加载模型进行预测的全过程。此外，还提供了将OpenCV处理后的图像转换为TensorFlow可接受的字符串格式的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.源程序：

最近使用了官方Tensorflow的关于花朵分类迁移学习的代码，想要测试单张或者几张图片的分类识别效果。找了好久。总算是找到了一个可用的程序，贴出来：

import tensorflow as tf
import numpy as np
import glob
import os.path
import tensorflow as tf
import numpy as np
import cv2
# 模型目录
CHECKPOINT_DIR = './ckpt/checkpoints/'  #训练后生成的检查点文件夹，在当前工程下。
INCEPTION_MODEL_FILE = './inception_dec_2015/tensorflow_inception_graph.pb'

# inception-v3模型参数
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'  # inception-v3模型中代表瓶颈层结果的张量名称
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'  # 图像输入张量对应的名称

# 测试数据
#path = './test/33.jpg' #这里选择一张图片用于测试，该图片属于sunflower类别的花。
#类别字典
strings = ['0005', '0003', '0001', '0002', '0007','0009']
def id_to_string(node_id):
    return strings[node_id]

# 读取数据
#image_data = tf.gfile.FastGFile(path, 'rb').read()

# 评估
checkpoint_file = tf.train.latest_checkpoint(CHECKPOINT_DIR)
with tf.Graph().as_default() as graph:
    with tf.Session().as_default() as sess:

        # 读取训练好的inception-v3模型
        with tf.gfile.FastGFile(INCEPTION_MODEL_FILE, 'rb') as f:
            graph_def = tf.GraphDef()
            graph_def.ParseFromString(f.read())

        # 加载inception-v3模型，并返回瓶颈层输出张量和数据输入张量
        bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(
            graph_def,
            return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])


        # 使用inception-v3处理图片获取特征向量
        #bottleneck_values = sess.run(bottleneck_tensor,{jpeg_data_tensor: image_data})
        # 将四维数组压缩成一维数组，由于全连接层输入时有batch的维度，所以用列表作为输入   // add_FC_layer true imagedata
        #bottleneck_values = [np.squeeze(bottleneck_values)]

        # 加载图和变量（这里我选择的是step=200的图，使用的是绝对路径。）
        saver = tf.train.import_meta_graph('ckpt/best_0.987500.ckpt-800.meta')
        saver.restore(sess, tf.train.latest_checkpoint('./ckpt/'))
        softmax_tensor = sess.graph.get_tensor_by_name('final_training_ops/prob:0')
        # 通过名字从图中获取输入占位符   (add_FC_layer input placeholder )
        input_x = graph.get_operation_by_name(
            'BottleneckInputPlaceholder').outputs[0]

        for root, dirs, files in os.walk('./test/'):
            for file in files:
                # 
                image_data = tf.gfile.FastGFile(os.path.join(root, file), 'rb').read()
                print(type(image_data))
            # 使用inception-v3处理图片获取特征向量
                bottleneck_values = sess.run(bottleneck_tensor,{jpeg_data_tensor: image_data})    #resource data process use inceptipnv3
                # 将四维数组压缩成一维数组，由于全连接层输入时有batch的维度，所以用列表作为输入   // add_FC_layer true imagedata
                bottleneck_values = [np.squeeze(bottleneck_values)]


                predictions = sess.run(softmax_tensor, {input_x: bottleneck_values})  # 
                predictions = np.squeeze(predictions)  # 

                # 
                image_path = os.path.join(root, file)
                print(image_path)
 
                # 
                top_k = predictions.argsort()[::-1]  #从最后一个元素到第一个元素复制一遍  argsort将x中的元素index值 从小到大排列
                #print(top_k)
                human_string = id_to_string(top_k[0])  #得到对应标签
                # for node_id in top_k:
                #     # 
                #     human_string = id_to_string(node_id)
                #     # 
                #     score = predictions[node_id]
                #     print('%s (score = %.5f)' % (human_string, score))
                # print()
                print('(预测为%s类)' % human_string)
                img = cv2.imread(image_path)
                cv2.imshow('image', img)
                #cv2.waitKey(0)
cv2.destroyAllWindows()

2.场景2 上面场景1是自己从本地传入的图。也就是用了这个函数：

image_data = tf.gfile.FastGFile(os.path.join(root, file), 'rb').read()

现在我需要载入opencv resize 之后得到的path 这个变量。他是numpy数据类型。而上面代码1直接导入运行的是bytes（string）格式。所以需要经过一定的处理，将resize得到的图像转换为能够使用的tf.string格式。试了很多种方式，最终得到了我想要的。

即OpenCV的图像转换为字节字符串的方式为:

如果有一个图像img(这是一个numpy数组),您可以使用以下命令将其转换为字符串：

>>> img_str = cv2.imencode('.jpg', img)[1].tostring()
>>> type(img_str)
 'str'

参考：https://codeday.me/bug/20181211/436854.html

完整代码：

import tensorflow as tf
import numpy as np
import glob
import os.path
import tensorflow as tf
import numpy as np
import cv2
import sys
sys.path.append('/mnt/4T/ycc/cnn mnistdata/personclassify_transfer')
#from io import BytesIO
from PIL import Image
# 模型目录
CHECKPOINT_DIR = '/mnt/4T/ycc/cnn mnistdata/personclassify_transfer/ckpt/checkpoints/'  #训练后生成的检查点文件夹，在当前工程下。
INCEPTION_MODEL_FILE = '/mnt/4T/ycc/cnn mnistdata/personclassify_transfer/inception_dec_2015/tensorflow_inception_graph.pb'

# inception-v3模型参数
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'  # inception-v3模型中代表瓶颈层结果的张量名称
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'  # 图像输入张量对应的名称

# 测试数据
#path = './test/001.jpg' #这里选择一张图片用于测试，该图片属于sunflower类别的花。
#类别字典
strings = ['0005', '0003', '0001', '0002', '0007','0009']
def id_to_string(node_id):
    return strings[node_id]


def predictions(path):
    # 读取数据
    #image_data = tf.gfile.FastGFile(path, 'rb').read()
    #cv2.imshow('draw',path)
    # 评估
    checkpoint_file = tf.train.latest_checkpoint(CHECKPOINT_DIR)
    with tf.Graph().as_default() as graph:
        with tf.Session().as_default() as sess:

            # 读取训练好的inception-v3模型
            with tf.gfile.FastGFile(INCEPTION_MODEL_FILE, 'rb') as f:
                graph_def = tf.GraphDef()
                graph_def.ParseFromString(f.read())

            # 加载inception-v3模型，并返回瓶颈层输出张量和数据输入张量
            bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(graph_def,return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])


            # 使用inception-v3处理图片获取特征向量
            #bottleneck_values = sess.run(bottleneck_tensor,{jpeg_data_tensor: image_data})
            # 将四维数组压缩成一维数组，由于全连接层输入时有batch的维度，所以用列表作为输入   // add_FC_layer true imagedata
            #bottleneck_values = [np.squeeze(bottleneck_values)]

            # 加载图和变量（这里我选择的是step=200的图，使用的是绝对路径。）
            saver = tf.train.import_meta_graph('/mnt/4T/ycc/cnn mnistdata/personclassify_transfer/ckpt/best_0.987500.ckpt-800.meta')
            saver.restore(sess, tf.train.latest_checkpoint('/mnt/4T/ycc/cnn mnistdata/personclassify_transfer/ckpt/'))
            softmax_tensor = sess.graph.get_tensor_by_name('final_training_ops/prob:0')
            # 通过名字从图中获取输入占位符   (add_FC_layer input placeholder )
            input_x = graph.get_operation_by_name(
                'BottleneckInputPlaceholder').outputs[0]
            
        
            print("out2=",type(path))
            #path这里是从opencv传入的resize过的图像，原始为numpy数据类型，现在需要转换为bytes/string类型
            image_data =  cv2.imencode('.jpg', path)[1].tostring()
            print("out2=",type(image_data))
            #image_data = imageBuf.getvalue()
            #path=np.asarray(path, np.float32)
           #image_data = tf.convert_to_tensor(path, np.float32)
            #png_data = tf.placeholder(tf.string, shape=[])
            #image_data = tf.image.decode_png(path, channels=3)
                # 使用inception-v3处理图片获取特征向量
            bottleneck_values = sess.run(bottleneck_tensor,{jpeg_data_tensor: image_data})    #resource data process use inceptipnv3
                    # 将四维数组压缩成一维数组，由于全连接层输入时有batch的维度，所以用列表作为输入   // add_FC_layer true imagedata
            bottleneck_values = [np.squeeze(bottleneck_values)]


            predictions = sess.run(softmax_tensor, {input_x: bottleneck_values})  # 
            predictions = np.squeeze(predictions)  # 

                    # 
            #image_path = os.path.basename(path)
            #print(image_path)
     
                    # 
            top_k = predictions.argsort()[::-1]  #从最后一个元素到第一个元素复制一遍  argsort将x中的元素index值 从小到大排列
                    #print(top_k)
            human_string = id_to_string(top_k[0])  #得到对应标签
                    # for node_id in top_k:
                    #     # 
                    #     human_string = id_to_string(node_id)
                    #     # 
                    #     score = predictions[node_id]
                    #     print('%s (score = %.5f)' % (human_string, score))
                    # print()
            print('(预测为%s类)' % human_string)
            # img = cv2.imread(image_path)
            # cv2.imshow('image', img)
            #cv2.waitKey(0)
            
            return human_string
#cv2.destroyAllWindows()

TIPS:以上的训练测试源码：链接：https://pan.baidu.com/s/16kj68OGYLu0bwQ1Winqm1g 提取码：9eun
基于inception的迁移学习图片分类单（多）张图片测试代码。训练测试全套源码；注：数据集格式为flowerdata放到与训练测试代码一个目录下，且数据集里的多个文件夹代表多个类别（例如：以花类别为例子）

如果有c币也可以下载csdn的支持下，代码打包是一样的。https://download.youkuaiyun.com/download/ycc2011/11178612

（csdn已经不能自定义1个币下载了，所以很无奈）