济源建设工程管理处网站,怎么屏蔽ip段访问网站,网站制作软件手机版,泸州住院证明图片在线制作从指定路径读取图像文件、利用OpenCV进行图像处理#xff0c;以及使用Caffe框架进行深度学习预测的过程。 下面是程序的主要步骤和对应的实现代码总结#xff1a;
1. 导入必要的工具包和模型
程序开始先导入需要的库os、numpy、cv2#xff0c;同时导入utils_paths模块以及使用Caffe框架进行深度学习预测的过程。 下面是程序的主要步骤和对应的实现代码总结
1. 导入必要的工具包和模型
程序开始先导入需要的库os、numpy、cv2同时导入utils_paths模块后者用于处理图像路径。接着读取Caffe模型和配置文件这些文件提供了使用预训练深度学习模型进行图像分类的基础。
import utils_paths
import numpy as np
import cv2net cv2.dnn.readNetFromCaffe(bvlc_googlenet.prototxt, bvlc_googlenet.caffemodel)2. 读取图像文件
使用utils_paths.list_images函数遍历指定目录获取所有图像文件的路径。
imagePaths sorted(list(utils_paths.list_images(images/)))3. 图像预处理
选择路径列表中的第一个图像进行读取调整其大小以符合模型输入需求并通过cv2.dnn.blobFromImage创建适合Caffe模型的输入blob。
image cv2.imread(imagePaths[0])
resized cv2.resize(image, (224, 224))
blob cv2.dnn.blobFromImage(resized, 1, (224, 224), (104, 117, 123))4. 模型预测和结果展示
设定模型输入执行前向传播获取预测结果找出概率最高的类别并在图像上显示预测标签和概率。
net.setInput(blob)
preds net.forward()
idx np.argsort(preds[0])[::-1][0]
text Label: {}, {:.2f}%.format(classes[idx], preds[0][idx] * 100)
cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)
cv2.imshow(Image, image)
cv2.waitKey(0)5. 批量图像处理
对多个图像执行上述步骤生成多图像的输入blob并对每个图像执行预测展示结果。
images []
for p in imagePaths[1:]:image cv2.imread(p)image cv2.resize(image, (224, 224))images.append(image)blob cv2.dnn.blobFromImages(images, 1, (224, 224), (104, 117, 123))
net.setInput(blob)
preds net.forward()for (i, p) in enumerate(imagePaths[1:]):image cv2.imread(p)idx np.argsort(preds[i])[::-1][0]text Label: {}, {:.2f}%.format(classes[idx], preds[i][idx] * 100)cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)cv2.imshow(Image, image)cv2.waitKey(0)完整代码
utils_paths.py
import osimage_types (.jpg, .jpeg, .png, .bmp, .tif, .tiff)def list_images(basePath, containsNone):# return the set of files that are validreturn list_files(basePath, validExtsimage_types, containscontains)def list_files(basePath, validExtsNone, containsNone):# loop over the directory structurefor (rootDir, dirNames, filenames) in os.walk(basePath):# loop over the filenames in the current directoryfor filename in filenames:# if the contains string is not none and the filename does not contain# the supplied string, then ignore the fileif contains is not None and filename.find(contains) -1:continue# determine the file extension of the current fileext filename[filename.rfind(.):].lower()# check to see if the file is an image and should be processedif validExts is None or ext.endswith(validExts):# construct the path to the image and yield itimagePath os.path.join(rootDir, filename)yield imagePath
blob_from_images.py
# 导入工具包
import utils_paths
import numpy as np
import cv2# 标签文件处理
rows open(synset_words.txt).read().strip().split(\n)
classes [r[r.find( ) 1:].split(,)[0] for r in rows]# Caffe所需配置文件
net cv2.dnn.readNetFromCaffe(bvlc_googlenet.prototxt,bvlc_googlenet.caffemodel)# 图像路径
imagePaths sorted(list(utils_paths.list_images(images/)))# 图像数据预处理
image cv2.imread(imagePaths[0])
resized cv2.resize(image, (224, 224))
# image scalefactor size mean swapRB
blob cv2.dnn.blobFromImage(resized, 1, (224, 224), (104, 117, 123))
print(First Blob: {}.format(blob.shape))# 得到预测结果
net.setInput(blob)
preds net.forward()# 排序取分类可能性最大的
idx np.argsort(preds[0])[::-1][0]
text Label: {}, {:.2f}%.format(classes[idx],preds[0][idx] * 100)
cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX,0.7, (0, 0, 255), 2)# 显示
cv2.imshow(Image, image)
cv2.waitKey(0)# Batch数据制作
images []# 方法一样数据是一个batch
for p in imagePaths[1:]:image cv2.imread(p)image cv2.resize(image, (224, 224))images.append(image)# blobFromImages函数注意有s
blob cv2.dnn.blobFromImages(images, 1, (224, 224), (104, 117, 123))
print(Second Blob: {}.format(blob.shape))# 获取预测结果
net.setInput(blob)
preds net.forward()
for (i, p) in enumerate(imagePaths[1:]):image cv2.imread(p)idx np.argsort(preds[i])[::-1][0]text Label: {}, {:.2f}%.format(classes[idx],preds[i][idx] * 100)cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX,0.7, (0, 0, 255), 2)cv2.imshow(Image, image)cv2.waitKey(0) 以下是后续代码的改进
6. 异常处理和验证
在处理文件读取和图像处理时加入异常处理可以避免在文件不存在或损坏时程序崩溃。
try:image cv2.imread(imagePath)if image is None:raise ValueError(无法读取图像: {}.format(imagePath))resized cv2.resize(image, (224, 224))
except Exception as e:print(处理图像时发生错误: , e)7. 性能优化
对于图像处理和预测尤其是批量操作时可以通过并行处理技术来加速这些操作。例如使用Python的concurrent.futures模块进行并行读取和预处理图像。
from concurrent.futures import ThreadPoolExecutordef process_image(path):image cv2.imread(path)image cv2.resize(image, (224, 224))return imagewith ThreadPoolExecutor() as executor:images list(executor.map(process_image, imagePaths))8. 动态输入和命令行工具
将脚本转换为可接受命令行参数的形式使其更灵活能够通过命令行直接指定图片路径、模型文件等。
import argparseparser argparse.ArgumentParser(description图像分类预测)
parser.add_argument(--image_dir, typestr, requiredTrue, help图像目录路径)
parser.add_argument(--model, typestr, requiredTrue, help模型文件路径)
args parser.parse_args()imagePaths sorted(list(utils_paths.list_images(args.image_dir)))
net cv2.dnn.readNetFromCaffe(bvlc_googlenet.prototxt, args.model)9. GUI界面
为了使程序更友好可以开发一个基于图形用户界面的应用允许用户通过图形界面选择图像和观看结果而不是仅限于命令行。
import tkinter as tk
from tkinter import filedialogdef load_image():path filedialog.askopenfilename()return cv2.imread(path), pathroot tk.Tk()
load_button tk.Button(root, text加载图像, commandload_image)
load_button.pack()
root.mainloop()初始代码 下载地址 dnn加载深度学习模型
