首页 > 分享 > 【深度学习入门案例】动物种类识别

【深度学习入门案例】动物种类识别

萌宠菠菠乐园
2024-12-02 10:11

一、定义待预测数据

数据集：
在这里插入图片描述
代码：

# 待预测图片 test_img_path = ['./img/img.png', './img/img_1.png','./img/img_2.png','./img/img_3.png','./img/img_4.png'] import matplotlib.pyplot as plt import matplotlib.image as mpimg # 展示其中大狮子图片 img1 = mpimg.imread(test_img_path[0]) plt.figure(figsize=(10, 10)) plt.imshow(img1) plt.axis('off') plt.show() 1234567891011121314

返回：
在这里插入图片描述
若是待预测图片存放在一个文件中，如左侧文件夹所示的test.txt。每一行是待预测图片的存放路径。

with open('tu.txt', 'r') as f: try: test_img_path=[] for line in f: test_img_path.append(line.strip()) except: print('数据加载失败') print(test_img_path) 12345678

返回：
在这里插入图片描述

二、加载预训练模型

PaddleHub提供了两种动物识别模型：

resnet50_vd_animals: ResNet-vd 其实就是 ResNet-D，是ResNet 原始结构的变种，可用于图像分类和特征提取。该 PaddleHub Module 采用百度自建动物数据集训练得到，支持7978种动物的分类识别。mobilenet_v2_animals: MobileNet V2 是一个轻量化的卷积神经网络，它在 MobileNet 的基础上，做了 Inverted Residuals 和 Linear bottlenecks 这两大改进。该 PaddleHub Module 是在百度自建动物数据集上训练得到的，可用于图像分类和特征提取，当前已支持7978种动物的分类识别。

代码：

import paddlehub as hub module = hub.Module(name="resnet50_vd_animals") # module = hub.Module(name="mobilenet_v2_animals") 123

三、预测

import cv2 np_images =[cv2.imread(image_path) for image_path in test_img_path] results = module.classification(images=np_images) for result in results: print(result) 1234567

返回：
在这里插入图片描述

四.完整源码

代码如下：

# coding=gbk """ 作者：川川 @时间 : 2021/8/29 23:50 群：970353786 """ # 待预测图片 # test_img_path = ['./img/img.png', './img/img_1.png','./img/img_2.png','./img/img_3.png','./img/img_4.png'] import matplotlib.pyplot as plt import matplotlib.image as mpimg # 展示其中大狮子图片 # img1 = mpimg.imread(test_img_path[0]) # # plt.figure(figsize=(10, 10)) # plt.imshow(img1) # # plt.axis('off') # plt.show() with open('tu.txt', 'r') as f: try: test_img_path=[] for line in f: test_img_path.append(line.strip()) except: print('数据加载失败') # print(test_img_path) import paddlehub as hub module = hub.Module(name="resnet50_vd_animals") # module = hub.Module(name="mobilenet_v2_animals") import cv2 np_images =[cv2.imread(image_path) for image_path in test_img_path] results = module.classification(images=np_images) for result in results: print(result)

123456789101112131415161718192021222324252627282930313233343536373839404142

文件架构：
在这里插入图片描述