基于 VGG 卷积神经网络模型的图像分类

原文链接：machinelearningmastery.com/use-pre-tra…

前置条件：

1. Windows10操作系统
2. 下载并安装Anaconda，配置conda镜像源（国内源）
3. 基于Anaconda安装jupyter notebook、tensorflow、keras及其依赖组件
4. 使用pip安装keras
5. 下载"VGG训练模型"：1️⃣从github下载 2️⃣从百度云盘下载(提取码: pbz5)
6. 下载"物品分类表"：1️⃣从百度网盘下载( 提取码: y8fq )

VGG模型的物品分类结果：

• 有83.12%的几率是“边境牧羊犬”

  

• 有52.12%的几率是“拖卡”

  

• 有93.01%的几率是“咖啡杯”

  

Step1 Anaconda安装与配置

1.1 windows10下Anaconda安装教程

参考链接：juejin.cn/post/684490…

1.2 配置conda镜像源,文件位于：C:\Users\To Kill a MockinBird\.condarc

编辑“.condarc”文件, 插入内容：

channels:
  - http://mirrors.ustc.edu.cn/anaconda/pkgs/free/
 show_channel_urls: true
 ssl_verify: true
 report_errors: true

1.3检查Anaconda安装结果

• 进入cmd，执行查看Anaconda版本号:
• 执行指令：conda -V

  

  注：安装成功则会输出Anaconda的版本号，如有异常请重新安装

Step2 安装jupyter notebook、tensorflow

2.1 基于Anaconda创建独立的python-v3.6环境

• 目前python37对tensorflow的支持还不是特别友好，推荐使用python3.6版本

• 运行cmd执行指令：conda create -n tf-20190930 python=3.6

  

• tf-20190930： 这是自定义的名称

• 创建成功后，可以通过指令查看已创建python运行环境：conda info --env

  

2.2 基于独立的python环境安装jupyter的内核ipykernel

• 安装jupyter前，先安装ipykernel,它是jupyter的内核

  

• 激活独立的python环境：conda activate tf-20190930
  
• 安装ipykernel: conda install ipykernel

  

2.3 安装jupyter

• 执行指令安装jupyter: conda install nb_conda

  

• （非常重要）将ipykernel内核写入jupyte, 执行指令: python -m ipykernel install --user --name tf-20190930 --display-name 'tf-20190930'

  

参数	描述
--user	表示用户名（tf-20190930）
--name	表示python独立环境的名称（tf-20190930）
--display-name	表示在Jupyter NoteBook中的展示名称（tf-20190930）

2.4 pip安装keras(keras包含VGG16、VGG19)

• 如果无法直接下载，需要配置pip源，这里我们配置为阿里镜像源
• windows下pip的配置文件位于：C:\Users\To Kill a MockinBird\pip.ini （注：文件不存在则在该路径下主动创建）

• Linux下pip的配置文件位于：/root/.pip/pip.conf

2.5启动Jupyter的两种方式

• 第一种方式，从Anaconda GUI界面启动

  

• 第二种方式，从cmd命令行启动

  

• 启动成功

  

Step3 "VGG模型"、"物品分类表（imagenet_class_index.json）"存放在于指定目录

3.1 预训练模型默认存储路径

• windows10下默认路径：C:\Users\To Kill a MockinBird\.keras\models；

  

• Linux下默认路径：/root/.keras/

  

3.2 Jupyter新建python程序，通过API调用VGG模型

3.3 调用VGG模型对图片类型进行分类，代码如下：

# 加载VGG16模型
model = VGG16()

from keras.preprocessing.image import load_img
# 加载图像资源，图像默认存储路径：C:\Users\To Kill a MockinBird\dots.jpg
image = load_img('dots.jpg', target_size=(224, 224))

from keras.preprocessing.image import img_to_array
# 将图片像素转换为numpy数组
image = img_to_array(image)

image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))

from keras.applications.vgg16 import preprocess_input
# prepare the image for the VGG model
image = preprocess_input(image)

# predict the probability across all output classes
yhat = model.predict(image)

from keras.applications.vgg16 import decode_predictions
# convert the probabilities to class labels
label = decode_predictions(yhat)
# retrieve the most likely result, e.g. highest probability
label = label[0][0]
# print the classification
print('分类结果：%s (%.2f%%)' % (label[1], label[2]*100))

3.4 点击“运行”执行VGG卷积神经图像分类

（注：图像存储路径默认在：C:\Users\To Kill a MockinBird\dots.jpg）