Python中如何实现图像识别

Python中如何实现图像识别，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

我们提供的服务有：成都网站设计、网站建设、外贸网站建设、微信公众号开发、网站优化、网站认证、崇信ssl等。为数千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的崇信网站制作公司

1. 安装Python 3.5.1或更高版本和pip

（如果您已经安装了Python 3.5.1或更高版本，请跳过本节）

https://www.python.org/downloads/

2. 安装ImageAI依赖项

- Tensorflow

pip3 install --upgrade tensorflow

- Numpy

pip3 install numpy

- SciPy

pip3 install scipy

- OpenCV

pip3 install opencv-python

- Matplotlib

pip3 install matplotlib

- h6py

pip3 install h6py

- Keras

pip3 install keras

3. 安装ImageAI库

pip3 install https://github.com/OlafenwaMoses/ImageAI/raw/master/dist/imageai-1.0.2-py3-none-any.whl

4. 下载经过ImageNet-1000数据集训练的ResNet Model文件，并将文件复制到您的python项目文件夹。

https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h6

5. 创建一个名称为python的文件（例如“FirstPrediction.py”），并将下面的代码写入其中。 

from imageai.Prediction import ImagePrediction  import os  execution_path = os.getcwd()  prediction = ImagePrediction()  prediction.setModelTypeAsResNet()  prediction.setModelPath( execution_path + " esnet50_weights_tf_dim_ordering_tf_kernels.h6")  prediction.loadModel()  predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)  for index in range(len(predictions)):  print(predictions[index] + " : " + percentage_probabilities[index])

sample.jpg

代码结果：

sports_car : 90.61029553413391  car_wheel : 5.9294357895851135  racer : 0.9972884319722652  convertible : 0.8457873947918415  grille : 0.581052340567112

代码说明

现在让我们分解代码，以便了解它是如何工作的。上面的代码工作如下：

from imageai.Prediction import ImagePrediction  import os

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

execution_path = os.getcwd（）

上面的代码创建一个变量，它保存对包含python文件（在本例中为FirstPrediction.py）和ResNet模型文件的路径的引用。

prediction = ImagePrediction（）  prediction.setModelTypeAsResNet（） prediction.setModelPath（execution_path +“ resnet50_weights_tf_dim_ordering_tf_kernels.h6”）

在上面的代码中，我们在***行创建了一个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   ，然后设置模型路径将预测对象复制到模型文件（resnet50_weights_tf_dim_ordering_tf_kernels.h6）的路径中，并将其复制到第三行的项目文件夹文件夹中。

predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)

在上面的行中，我们定义了2个变量，它等于被调用来预测图像的函数，这个函数是   .predictImage（）函数，我们在其中解析了图像的路径，并且还指出了我们想要的预测结果的数量有（从1到1000的值）解析result_count  = 5 。所述  .predictImage（）函数将返回与所述***（2级阵列的对象的预测）是预测和所述第二（阵列percentage_probabilities）是相应的百分比概率为每个预测的阵列。

for index in range(len(predictions)):  print(predictions[index] + " : " + percentage_probabilities[index])

上述行获取中的每个对象的预测阵列，并且还获得从相应百分比概率percentage_probabilities，***打印二者的结果到控制台。

该   .predictImage（）函数将在路径中的图像，也可以说明我们预计函数返回预测的数量（可选，默认为5）。ImageNet-1000数据集中有1000个项目，ResNet模型在该数据集上进行了训练，这意味着  .predictImage函数将返回1000个可能的预测值，并按其概率排列。

借助ImageAI，您可以轻松方便地将图像预测代码集成到您在python中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，另一些针对精度进行了优化。借助ImageAI，我们希望支持计算机视觉的更多专业方面，包括但不限于特殊环境和特殊领域的图像识别以及自定义图像预测。

关于Python中如何实现图像识别问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。