PaddleHub一键动物识别

图像分类现如今已经使用在各个领域，如ImageNet中花类识别。现PaddleHub已将定制打造的动物识别模型resnet50_vd_animals和mobilenet_v2_animals开源，并且支持一键完成动物识别，适用于拍照识图类APP中。

一、定义待预测数据

以下列图片为待预测图片。

1.jpg为

2.jpg为

3.jpg为

4.jpg为

5.jpg为

 

 

其中，若是待预测图片放在一个文件中，如右侧所示文件夹下的图片，test.txt为图片名及后缀，每一行是待预测图片的存放路径，具体如下：

以下是使用PaddleHub进行一键动物识别，所以第一步就是安装paddlehub,这里安装的是paddlehub==1.6.0

#使用清华镜像进行快速安装， https://pypi.tuna.tsinghua.edu.cn/simple下面是有下划线的。
!pip install paddlehub==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

 

# 读入待预测图片
test_img_path = ["./1.jpg", "./2.jpg", "./3.jpg", "./4.jpg", "./5.jpg"]

#导入画图模块，matplotlib.pyplot作为plt,导入matplotlib中的image模块作为mpimg
import matplotlib.pyplot as plt 
import matplotlib.image as mpimg 

# 使用matplotlib中的mpimg读待预测图片，这里展示图片1.jpg,即其中大熊猫图片
img1 = mpimg.imread(test_img_path[0]) 

#对图片进行重新设置大小，并展示
plt.figure(figsize=(10,10))
plt.imshow(img1) 
 
plt.axis('off') 
plt.show()

读文件夹下的待预测图片的路径，即上述的test.txt

!cat test.txt

用户想要利用动物识别模型识别动物，只需读入该文件，将文件内容存成list，list中的每个元素是待预测图片的存放路径

#读入刚刚的待预测文件夹下的图片的路径，即test.txt，进行元素转换成list
with open('test.txt', 'r') as f:
    test_img_path=[]
    for line in f:
        test_img_path.append(line.strip())
print(test_img_path)

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采用百度自创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。

模型一

#读入paddlehub，并读取相应的预训练模型。这里读取的是resnet50_vd_animals模型
import paddlehub as hub

module = hub.Module(name="resnet50_vd_animals")
# module = hub.Module(name="mobilenet_v2_animals")

三、预测

PaddleHub对于支持一键预测的module,可以调用module的相应预测API,完成预测功能。

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)

以下是动物识别的结果

模型二

#这里使用的模型是mobilenet_v2_animals
import paddlehub as hub
module = hub.Module(name="mobilenet_v2_animals")

三、预测，跟上面的代码完全一样

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)

结果如下