案例：使用pre_trained模型进行VGG

最新推荐文章于 2024-12-21 23:59:12 发布

你好!!ii

最新推荐文章于 2024-12-21 23:59:12 发布

阅读量1k

点赞数 1

分类专栏： tensorflow 人工智能 tf.keras 文章标签： keras tensorflow python

本文链接：https://blog.youkuaiyun.com/zikyou/article/details/124202755

版权

tensorflow 同时被 3 个专栏收录

17 篇文章

订阅专栏

人工智能

16 篇文章

订阅专栏

tf.keras

14 篇文章

订阅专栏

本文介绍了在TensorFlow和Keras中使用预训练的VGG模型进行图像识别的任务。通过比较VGG与其他流行模型如ResNet、Inception等的性能指标，强调了VGG在特定场景识别上的优势。建议在VGG基础上进行微调以提升预测效果，并提供了加载和预测图像的代码示例。此外，还展示了如何保存和加载模型权重。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tensorflow2

Goole在提供VGG进行预测时效果会更好一些，所以选择使用VGG来进行测试

在tensorflow,keras.applications存在很多的模型

Xception	88	79.0%	94.5%	22.9M	81	109.4	8.1
VGG16	528	71.3%	90.1%	138.4M	16	69.5	4.2
VGG19	549	71.3%	90.0%	143.7M	19	84.8	4.4
ResNet50	98	74.9%	92.1%	25.6M	107	58.2	4.6
ResNet50V2	98	76.0%	93.0%	25.6M	103	45.6	4.4
ResNet101	171	76.4%	92.8%	44.7M	209	89.6	5.2
ResNet101V2	171	77.2%	93.8%	44.7M	205	72.7	5.4
ResNet152	232	76.6%	93.1%	60.4M	311	127.4	6.5
ResNet152V2	232	78.0%	94.2%	60.4M	307	107.5	6.6
InceptionV3	92	77.9%	93.7%	23.9M	189	42.2	6.9
InceptionResNetV2	215	80.3%	95.3%	55.9M	449	130.2	10.0
MobileNet	16	70.4%	89.5%	4.3M	55	22.6	3.4
MobileNetV2	14	71.3%	90.1%	3.5M	105	25.9	3.8
DenseNet121	33	75.0%	92.3%	8.1M	242	77.1	5.4
DenseNet169	57	76.2%	93.2%	14.3M	338	96.4	6.3
DenseNet201	80	77.3%	93.6%	20.2M	402	127.2	6.7
NASNetMobile	23	74.4%	91.9%	5.3M	389	27.0	6.7
NASNetLarge	343	82.5%	96.0%	88.9M	533	344.5	20.0
EfficientNetB0	29	77.1%	93.3%	5.3M	132	46.0	4.9
EfficientNetB1	31	79.1%	94.4%	7.9M	186	60.2	5.6
EfficientNetB2	36	80.1%	94.9%	9.2M	186	80.8	6.5
EfficientNetB3	48	81.6%	95.7%	12.3M	210	140.0	8.8
EfficientNetB4	75	82.9%	96.4%	19.5M	258	308.3	15.1
EfficientNetB5	118	83.6%	96.7%	30.6M	312	579.2	25.3
EfficientNetB6	166	84.0%	96.8%	43.3M	360	958.1	40.4
EfficientNetB7	256	84.3%	97.0%	66.7M	438	1578.9	61.6
EfficientNetV2B0	29	78.7%	94.3%	7.2M	-	-	-
EfficientNetV2B1	34	79.8%	95.0%	8.2M	-	-	-
EfficientNetV2B2	42	80.5%	95.1%	10.2M	-	-	-
EfficientNetV2B3	59	82.0%	95.8%	14.5M	-	-	-
EfficientNetV2S	88	83.9%	96.7%	21.6M	-	-	-
EfficientNetV2M	220	85.3%	97.4%	54.4M	-	-	-
EfficientNetV2L	479	85.7%	97.5%	119.0M	-	-	-

预测条件：Google在用VGG训练ImageNet比赛当中的1000个类别才能预测

特定场景的识别任务，必须训练自己的模型进行预测。
可以在VGG的基础之上进行训练，节约训练时间，效果也会得到改善
迁移学习

模型获取

from tensorflow.keras.applications import VGG16
model = VGG16()
print(model.summary())

模型打印为：

下载保存模型：

from tensorflow.keras.applications import VGG16
model = VGG16()
model.save_weights("./.keras/model.h5")

预测的图片：（图片资源可以自己寻找进行训练预测）

完整代码如下：

from tensorflow.keras.applications import VGG16
from tensorflow.keras.preprocessing.image import load_img, img_to_array
from tensorflow.keras.applications.vgg16 import decode_predictions
from tensorflow.keras.applications.vgg16 import preprocess_input
def predict():
    model = VGG16()
# model.save_weights("./.keras/model.h5")
    # 加载图片并输入到模型中
    # (224, 224)是VGG的输入要求
    image = load_img("./images/tiger.png", target_size=(224, 224))

    image = img_to_array(image)
    # 输入到卷积中，需要四维结构
    image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))
    # print(image.shape)
    # 预测之前做图片的数据处理，归一化处理等等
    image = preprocess_input(image)
    y_predictions = model.predict(image)
    # print(y_predictions)
    # 进行结果解码
    label = decode_predictions(y_predictions)

    # 预测的结果输出为
    print("预测的类别为：%s 概率为：%f" % (label[0][0][1], label[0][0][2]))
if __name__ == "__main__":
    predict()

运行结果：