树莓派pytorch实现图像识别

首先在树莓派上搭建好pytorch环境，这里我python版本是3.7

下面要做的工作就是调用已经训练好的模板net=torch.load('模板的路径',map_location='cpu')
当然少不了对图像尺寸格式先进行统一

transform=transforms.Compose([
          transforms.Resize(256),
          transforms.CenterCrop(224),
          transforms.ToTensor(),
          transforms.Normalize(mean=[0.485,0.456,0.406],
                               std=[0.229,0.224,0.225])
                            ])

之后，就是基本一些调用，这些都可以在pytorch官网上查阅
下面我粘出我的完整代码：

import torch
from PIL import Image
from torchvision import transforms
import numpy 
import matplotlib

device = torch.device("cuda"if torch.cuda.is_available() else "cpu")
#下面是对图像尺寸和格式进行一定的转换
transform=transforms.Compose([
            transforms.Resize(256),
            transforms.CenterCrop(224),
            transforms.ToTensor(),
            transforms.Normalize(mean=[0.485,0.456,0.406],
                                 std=[0.229,0.224,0.225])
                            ])

def prediect(img_path):
    net=torch.load('模型路径.pth',map_location='cpu')
    net=net.to(device)                       #最开始读取数据时的tensor变量copy一份到device所指定的GPU上去，之后的运算都在GPU上进行。
    torch.no_grad()
    img=Image.open(img_path)
    img=transform(img).unsqueeze(0) 
    img_ = img.to(device)
    outputs = net(img_)
   #torch.max()这个函数返回的是两个值，第一个是行的最大值，第二个是行最大值的索引，dim是max函数索引的维度0/1，0是每列的最大值，1是每行的最大值，计算准确度时我们只需要第二个
    _, predicted = torch.max(outputs,dim=1)   
  # print(predicted)
    d = predicted[0].tolist() # tensor张量转换为list，得到的结果是一个数字，这样会有利于我们的调用
    print('照片可能是 :',d)
    
if __name__ == '__main__':
    prediect('图片路径')

下面是我运行结果

这个15表示训练模型是的序列号