【深度学习入门案例】动物种类识别

一、定义待预测数据

数据集： 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()

返回： 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)

返回：

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")

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)

返回：

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)

文件架构：