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！）：

让我们开始吧！

先决条件

确保您已经安装了 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。

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 文件中加载类名。

对于我们的预训练模型，函数将如下所示：

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：

import gradio as gr

gr.Interface(fn=classify_image,
             inputs=gr.Image(width=224, height=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！）：

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！

TensorFlow 和 Keras 中的图像分类

简介

先决条件

第一步 —— 设置图像分类模型

第二步 —— 定义 predict 函数

第三步 —— 创建 Gradio 界面

第二步 —— 定义 `predict` 函数