Python中如何實現(xiàn)圖像識別，針對這個問題，這篇文章詳細(xì)介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

我們提供的服務(wù)有：成都網(wǎng)站設(shè)計、網(wǎng)站建設(shè)、外貿(mào)網(wǎng)站建設(shè)、微信公眾號開發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認(rèn)證、崇信ssl等。為數(shù)千家企事業(yè)單位解決了網(wǎng)站和推廣的問題。提供周到的售前咨詢和貼心的售后服務(wù)，是有科學(xué)管理、有技術(shù)的崇信網(wǎng)站制作公司

1. 安裝Python 3.5.1或更高版本和pip

（如果您已經(jīng)安裝了Python 3.5.1或更高版本，請?zhí)^本節(jié)）

https://www.python.org/downloads/

2. 安裝ImageAI依賴項

- Tensorflow

pip3 install --upgrade tensorflow

- Numpy

pip3 install numpy

- SciPy

pip3 install scipy

- OpenCV

pip3 install opencv-python

- Matplotlib

pip3 install matplotlib

- h6py

pip3 install h6py

- Keras

pip3 install keras

3. 安裝ImageAI庫

pip3 install https://github.com/OlafenwaMoses/ImageAI/raw/master/dist/imageai-1.0.2-py3-none-any.whl

4. 下載經(jīng)過ImageNet-1000數(shù)據(jù)集訓(xùn)練的ResNet Model文件，并將文件復(fù)制到您的python項目文件夾。

https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h6

5. 創(chuàng)建一個名稱為python的文件（例如“FirstPrediction.py”），并將下面的代碼寫入其中。 

from imageai.Prediction import ImagePrediction  import os  execution_path = os.getcwd()  prediction = ImagePrediction()  prediction.setModelTypeAsResNet()  prediction.setModelPath( execution_path + " esnet50_weights_tf_dim_ordering_tf_kernels.h6")  prediction.loadModel()  predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)  for index in range(len(predictions)):  print(predictions[index] + " : " + percentage_probabilities[index])

sample.jpg

代碼結(jié)果：

sports_car : 90.61029553413391  car_wheel : 5.9294357895851135  racer : 0.9972884319722652  convertible : 0.8457873947918415  grille : 0.581052340567112

代碼說明

現(xiàn)在讓我們分解代碼，以便了解它是如何工作的。上面的代碼工作如下：

from imageai.Prediction import ImagePrediction  import os

上面的代碼導(dǎo)入了ImageAI ImagePrediction類和python os類。

execution_path = os.getcwd（）

上面的代碼創(chuàng)建一個變量，它保存對包含python文件（在本例中為FirstPrediction.py）和ResNet模型文件的路徑的引用。

prediction = ImagePrediction（）  prediction.setModelTypeAsResNet（） prediction.setModelPath（execution_path +“ resnet50_weights_tf_dim_ordering_tf_kernels.h6”）

在上面的代碼中，我們在***行創(chuàng)建了一個ImagePrediction（）類的實例，然后通過在第二行中調(diào)用.setModelTypeAsResNet（），將預(yù)測對象的模型類型設(shè)置為ResNet   ，然后設(shè)置模型路徑將預(yù)測對象復(fù)制到模型文件（resnet50_weights_tf_dim_ordering_tf_kernels.h6）的路徑中，并將其復(fù)制到第三行的項目文件夾文件夾中。

predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)

在上面的行中，我們定義了2個變量，它等于被調(diào)用來預(yù)測圖像的函數(shù)，這個函數(shù)是   .predictImage（）函數(shù)，我們在其中解析了圖像的路徑，并且還指出了我們想要的預(yù)測結(jié)果的數(shù)量有（從1到1000的值）解析result_count  = 5 。所述  .predictImage（）函數(shù)將返回與所述***（2級陣列的對象的預(yù)測）是預(yù)測和所述第二（陣列percentage_probabilities）是相應(yīng)的百分比概率為每個預(yù)測的陣列。

for index in range(len(predictions)):  print(predictions[index] + " : " + percentage_probabilities[index])

上述行獲取中的每個對象的預(yù)測陣列，并且還獲得從相應(yīng)百分比概率percentage_probabilities，***打印二者的結(jié)果到控制臺。

該   .predictImage（）函數(shù)將在路徑中的圖像，也可以說明我們預(yù)計函數(shù)返回預(yù)測的數(shù)量（可選，默認(rèn)為5）。ImageNet-1000數(shù)據(jù)集中有1000個項目，ResNet模型在該數(shù)據(jù)集上進行了訓(xùn)練，這意味著  .predictImage函數(shù)將返回1000個可能的預(yù)測值，并按其概率排列。

借助ImageAI，您可以輕松方便地將圖像預(yù)測代碼集成到您在python中構(gòu)建的任何應(yīng)用程序，網(wǎng)站或系統(tǒng)中。ImageAI庫支持其他算法和模型類型，其中一些針對速度進行了優(yōu)化，另一些針對精度進行了優(yōu)化。借助ImageAI，我們希望支持計算機視覺的更多專業(yè)方面，包括但不限于特殊環(huán)境和特殊領(lǐng)域的圖像識別以及自定義圖像預(yù)測。

關(guān)于Python中如何實現(xiàn)圖像識別問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道了解更多相關(guān)知識。