我听说图像识别很困难，上帝为Python图像识别编写的十行代码

今年我采访了阿里，腾讯和美团之后，我发现了一个重要发现....... >>

随着深度学习算法的兴起和普及，人工智能领域取得了显着进步，尤其是在计算机视觉领域. 21世纪第二个十年迅速采用了卷积神经网络，发明了最先进的算法java 图像识别算法，大量训练数据的可用性以及高性能和高性价比计算的发明. 计算机视觉中的一个关键概念是图像分类. 这是软件系统正确标记图像中主要对象的能力.

ImageAI是一个Python库，旨在帮助开发人员构建具有独立计算机视觉功能的应用程序和系统.

（如果您安装了Python 3.5.1或更高版本，请跳过本节）

-Tensorflow

pip3 install --upgrade tensorflow

-脾气暴躁

pip3安装numpy

-SciPy

pip3 install scipy

-OpenCV

pip3安装opencv-python

-Matplotlib

pip3安装matplotlib

-h5py

pip3安装h5py

-Keras

pip3安装keras

pip3安装

从imageai.Prediction导入ImagePrediction

导入操作系统

execution_path = os.getcwd（）

预测= ImagePrediction（）

prediction.setModelTypeAsResNet（）

prediction.setModelPath（execution_path +“ esnet50_weights_tf_dim_ordering_tf_kernels.h5”）

prediction.loadModel（）

预测java 图像识别算法，probest_probabilities = projection.predictImage（“ C: UsersMyUserDownloadssample.jpg”，result_count = 5）

对于范围内的索引（len（预测））:

打印（预测[索引] +“: ” +百分比概率[索引]）

sample.jpg

代码结果:

sports_car: 90.61029553413391

车轮: 5.9294357895851135

种族: 0.9972884319722652

可转换: 0.8457873947918415

grille: 0.581052340567112

现在让我们分解代码以了解其工作原理. 上面的代码如下:

从imageai.Prediction导入ImagePrediction

导入操作系统

上面的代码导入ImageAI ImagePrediction类和python os类.

execution_path = os.getcwd（）

上面的代码创建一个变量，该变量保存对包含python文件（在此示例中为FirstPrediction.py）和ResNet模型文件的路径的引用.

预测= ImagePrediction（）

prediction.setModelTypeAsResNet（）

prediction.setModelPath（execution_path +“ resnet50_weights_tf_dim_ordering_tf_kernels.h5”）

在上面的代码中，我们在第一行中创建了ImagePrediction（）类的实例，然后通过在第二行中调用.setModelTypeAsResNet（）将预测对象的模型类型设置为ResNet，然后将模型将预测对象复制到模型文件的路径（resnet50_weights_tf_dim_ordering_tf_kernels.h5），然后将其复制到第三行的项目文件夹文件夹中.

预测，probest_probabilities = projection.predictImage（“ C: UsersMyUserDownloadssample.jpg”，result_count = 5）

在上一行中，我们定义了2个变量，它们等于为预测图像而调用的函数. 该函数是.predictImage（）函数，在其中我们解析图像的路径，并且还指示我们希望将预测结果的数量（值从1到1000）解析为result_count = 5. .predictImage （）函数将返回一个数组，其中每个预测数组的第一个（对对象的2级数组的预测）是一个预测，第二个（数组percent_probabilities）是一个对应的百分比概率.

对于范围内的索引（len（预测））:

打印（预测[索引] +“: ” +百分比概率[索引]）

上一行获取每个对象的预测数组，并从相应的百分比概率中获取percent_probabilities，最后将两者的结果打印到控制台.

.predictImage（）函数将是路径中的图像，它还可以指示我们希望函数返回的预测数（可选，默认为5）. ImageNet-1000数据集中有1000个项目，并且在该数据集上训练了ResNet模型，这意味着.predictImage函数将返回1000个可能的预测并按其概率进行排名.

使用ImageAI，您可以轻松方便地将图像预测代码集成到您用python构建的任何应用程序，网站或系统中. ImageAI库支持其他算法和模型类型，其中一些针对速度进行了优化，而其他针对准确性进行了优化. 借助ImageAI，我们希望支持计算机视觉的更多方面，包括但不限于在特殊环境和特定领域中的图像识别和自定义图像预测.

小编也有自己的学习和交流场所. 每个人都可以一起学习719 + 139 + 688，还有小编为大家准备的2018年最新学习材料，无论是小白还是大神，都欢迎交流.

695856371 |喜欢此站点的朋友可以将其添加为书签，或加入我们一起交流技术！

欢迎访问梁仲霖的个人博客网站. 该个人博客网站提供了最新的网站管理员新闻和各种Internet信息. 还提供个人博客模板，最新和最完整的Java教程，Java面试问题. 在这里，我将竭尽所能，使这个个人博客网站成为最佳网站！谢谢大家，希望大家一起进步！

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-160558-1.html