| # TensorFlow 和 Keras 中的图像分类 | |
| 相关空间：https://huggingface.co/spaces/abidlabs/keras-image-classifier | |
| 标签：VISION, MOBILENET, TENSORFLOW | |
| ## 简介 | |
| 图像分类是计算机视觉中的一项核心任务。构建更好的分类器来识别图像中的物体是一个研究的热点领域，因为它在交通控制系统到卫星成像等应用中都有广泛的应用。 | |
| 这样的模型非常适合与 Gradio 的 _image_ 输入组件一起使用，因此在本教程中，我们将使用 Gradio 构建一个用于图像分类的 Web 演示。我们可以在 Python 中构建整个 Web 应用程序，它的界面将如下所示（试试其中一个例子！）： | |
| <iframe src="https://abidlabs-keras-image-classifier.hf.space" frameBorder="0" height="660" title="Gradio app" class="container p-0 flex-grow space-iframe" allow="accelerometer; ambient-light-sensor; autoplay; battery; camera; document-domain; encrypted-media; fullscreen; geolocation; gyroscope; layout-animations; legacy-image-formats; magnetometer; microphone; midi; oversized-images; payment; picture-in-picture; publickey-credentials-get; sync-xhr; usb; vr ; wake-lock; xr-spatial-tracking" sandbox="allow-forms allow-modals allow-popups allow-popups-to-escape-sandbox allow-same-origin allow-scripts allow-downloads"></iframe> | |
| 让我们开始吧！ | |
| ### 先决条件 | |
| 确保您已经[安装](/getting_started)了 `gradio` Python 包。我们将使用一个预训练的 Keras 图像分类模型，因此您还应该安装了 `tensorflow`。 | |
| ## 第一步 —— 设置图像分类模型 | |
| 首先，我们需要一个图像分类模型。在本教程中，我们将使用一个预训练的 Mobile Net 模型，因为它可以从[Keras](https://keras.io/api/applications/mobilenet/)轻松下载。您也可以使用其他预训练模型或训练自己的模型。 | |
| ```python | |
| import tensorflow as tf | |
| inception_net = tf.keras.applications.MobileNetV2() | |
| ``` | |
| 此行代码将使用 Keras 库自动下载 MobileNet 模型和权重。 | |
| ## 第二步 —— 定义 `predict` 函数 | |
| 接下来，我们需要定义一个函数，该函数接收*用户输入*作为参数（在本例中为图像），并返回预测结果。预测结果应以字典形式返回，其中键是类名，值是置信概率。我们将从这个[text 文件](https://git.io/JJkYN)中加载类名。 | |
| 对于我们的预训练模型，函数将如下所示： | |
| ```python | |
| import requests | |
| # 从ImageNet下载可读性标签。 | |
| response = requests.get("https://git.io/JJkYN") | |
| labels = response.text.split("\n") | |
| def classify_image(inp): | |
| inp = inp.reshape((-1, 224, 224, 3)) | |
| inp = tf.keras.applications.mobilenet_v2.preprocess_input(inp) | |
| prediction = inception_net.predict(inp).flatten() | |
| confidences = {labels[i]: float(prediction[i]) for i in range(1000)} | |
| return confidences | |
| ``` | |
| 让我们来详细了解一下。该函数接受一个参数： | |
| - `inp`：输入图像的 `numpy` 数组 | |
| 然后，函数添加一个批次维度，通过模型进行处理，并返回： | |
| - `confidences`：预测结果，以字典形式表示，其中键是类标签，值是置信概率 | |
| ## 第三步 —— 创建 Gradio 界面 | |
| 现在我们已经设置好了预测函数，我们可以围绕它创建一个 Gradio 界面。 | |
| 在这种情况下，输入组件是一个拖放图像组件。要创建此输入组件，我们可以使用 `"gradio.inputs.Image"` 类，该类创建该组件并处理预处理以将其转换为 numpy 数组。我们将使用一个参数来实例化该类，该参数会自动将输入图像预处理为 224 像素 x224 像素的大小，这是 MobileNet 所期望的尺寸。 | |
| 输出组件将是一个 `"label"`，它以美观的形式显示顶部标签。由于我们不想显示所有的 1,000 个类标签，所以我们将自定义它只显示前 3 个标签。 | |
| 最后，我们还将添加一个 `examples` 参数，它允许我们使用一些预定义的示例预填充我们的接口。Gradio 的代码如下所示： | |
| ```python | |
| import gradio as gr | |
| gr.Interface(fn=classify_image, | |
| inputs=gr.Image(shape=(224, 224)), | |
| outputs=gr.Label(num_top_classes=3), | |
| examples=["banana.jpg", "car.jpg"]).launch() | |
| ``` | |
| 这将生成以下界面，您可以在浏览器中立即尝试（尝试上传您自己的示例！）： | |
| <iframe src="https://abidlabs-keras-image-classifier.hf.space" frameBorder="0" height="660" title="Gradio app" class="container p-0 flex-grow space-iframe" allow="accelerometer; ambient-light-sensor; autoplay; battery; camera; document-domain; encrypted-media; fullscreen; geolocation; gyroscope; layout-animations; legacy-image-formats; magnetometer; microphone; midi; oversized-images; payment; picture-in-picture; publickey-credentials-get; sync-xhr; usb; vr ; wake-lock; xr-spatial-tracking" sandbox="allow-forms allow-modals allow-popups allow-popups-to-escape-sandbox allow-same-origin allow-scripts allow-downloads"></iframe> | |
| --- | |
| 完成！这就是构建图像分类器的 Web 演示所需的所有代码。如果您想与他人分享，请尝试在启动接口时设置 `share=True`！ | |