技術標籤：影象識別tensorflow

需要的庫

from keras.preprocessing.image import ImageDataGenerator
import tensorflow as tf
import numpy as np
import os
import cv2
from PIL import Image
model = tf.keras.models.load_model('sand_model2') #載入已有模型

方法1 （圖片較多，按照字典形式存放）

ImageDataGenerator方法

data_dir='C:/Users/HP/Desktop/tf_data/sand_train'
 
 #輸入自己的目錄，此目錄下應有多個子資料夾
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
        data_dir,
        shuffle=False,#測試集不需要打亂
        target_size=(256,256), #圖片大小，預設256,256
        batch_size=5, #可任意設定
        class_mode='categorical')
  

#用生成器方式預測
predictions=
 
model.predict_generator(test_generator)
#顯示結果
result=[]
for iii in range(predictions.shape[0]):
    result.append(np.argmax(predictions[iii]))
print('result',result)

方法2（圖片較少，按照字典形式存放）
直接讀入，使用Image.open

data_dir = 'C:/Users/HP/Desktop/tf_data/sand_train2'
def read_data(data_dir):
    datas = [] #儲存圖片資料
    labelnames=
 
[] #儲存標籤名（資料夾名）
    labels = [] #儲存標籤
    fpaths = [] #儲存每個圖片路徑
    co=0 #標籤，按資料夾順序分別設為0,1,2......
    for fname in os.listdir(data_dir):#遍歷每個資料夾
        fpath = data_dir+'/'+fname
        labelnames.append(str(fname))#資料夾名即為標籤名
        for ffname in os.listdir(fpath):#遍歷一個資料夾下每張圖片
            try:
                image = Image.open(os.path.join(fpath, ffname))
                im = np.array(image)
                if len(im.shape)==2:
                    image=Image.merge('RGB', (image, image, image))#如果是灰度圖，擴充套件為三通道
                data = np.array(image) / 255.0
                data.astype('float32')
                datas.append(data)
                label = co
                labels.append(label)
                everypath = fpath + '/' + ffname
                fpaths.append(everypath)#記下每張圖的路徑
            except:
                continue
        co=co+1 #標籤+1
    datas = np.array(datas)
    labels = np.array(labels)

    print("shape of datas: {}\tkind of labels: {}".format(datas.shape,labels.shape))
    return fpaths, datas, labels,labelnames

#讀取
fpaths, test_images, test_labels,labelnames = read_data(data_dir)

#預測
predictions = model.predict(test_images)

#顯示結果
result=[]
for iii in range(predictions.shape[0]):
    result.append(np.argmax(predictions[iii]))
print('result',result)

方法3（圖片較少，沒有標籤，存在一個資料夾裡）

使用cv2.imread

#直接讀取圖片
def get_image(data_dir, img_cols, img_rows, color_type=3,normalize=True):
        imgs = []
        for fname in os.listdir(data_dir):
            try:
                if color_type == 1:
                    img = cv2.imread(os.path.join(data_dir, fname), 0)

                elif color_type == 3:
                    img = cv2.imread(os.path.join(data_dir, fname))

                    # Reduce size
                resized = cv2.resize(img, (img_cols, img_rows))

                if normalize:
                    resized = resized.astype('float32')
                    resized /= 255
                imgs.append(resized)
            except:
                    continue
        imgs=np.array(imgs)
        print("shape of datas: {}".format(imgs.shape))
        return  imgs

#讀取10張測試圖片
imatest =get_image('C:/Users/HP/Desktop/tf_data/test/test',256,256)

#預測
predictions = model.predict(imatest)

#顯示結果
result=[]
for iii in range(predictions.shape[0]):
    result.append(np.argmax(predictions[iii]))
print('result',result)

方法4（已有所有圖片路徑和標籤）
此處data_dir 為一個列表，存放所有圖片路徑

def get_image_from_paths(data_dir, img_cols, img_rows, color_type=3, normalize=True):
    imgs = []
    for fname in data_dir:
        try:
            if color_type == 1:
                img = cv2.imread(fname, 0)
                img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
            elif color_type == 3:
                img = cv2.imread(fname)
                img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
                # Reduce size
            resized = cv2.resize(img, (img_cols, img_rows))

            if normalize:
                resized = resized.astype('float32')
                resized /= 255

            imgs.append(resized)
        except:
            continue
    imgs = np.array(imgs)
    print("shape of datas: {}".format(imgs.shape))
    return imgs

imatest =get_image_from_paths(your_paths,256,256) #讀取
#後續與上一方法相同

輸出形式

#結果
result [0, 0, 0, 0, 2, 0, 0, 0, 0, 0]