python3图像识别库_GitHub - Nspyia/Image-recognizer: 一个简单的图像分类识别器GUI，使用python GUI + tensorflow 封装官方incepti...

1.项目简介

主要功能：利用tinker封装InceptionV3[论文]MOD进行图像分类的一个小Demo

环境：anaconda+Python3+tensorflow

IDE：pycharm + jupyter notebook

2.代码框架

需要的库模块:

os

tarfile

requests

tensorflow

numpy

translate

PIL

一共四个代码文件:

get_Inception_model.py

方法模块，下载模型将模型保存到本地

def download_inception_model(): #下载模型将模型保存到本地

'......'

nodelookup.py

类文件，主要功能将官方标签解码成可读文本

class NodeLookup(object):

def __init__(self):

self.node_lookup # 字典,id to string

'......'

@staticmethod

def _load(labels_path, uids_path): # 输入:node_id, 输出:id to string字典

'......'

return dict

def id_to_string(self, node_id): # 输入:node_id, 输出:可读字符串

'......'

return str

tensorflow_predictor.py

类文件，主要功能实现图像预测

class TensorflowPredictor():

def __init__(self): # 加载模型，新建session，

'......'

def predict_image(self, image_path): #

'......'

return str

gui.py

界面代码，面向用户

btn_sel # 选择图片按钮

img_label # 这是是显示预测图片的全局变量

res_label # 这是是显示预测文字的全局变量

def translator_prediction_result(pre_res):# 翻译模块 输入:英文字符串，输出:格式化中文字符串

'......'

return res

def selector_image(): # 选择图片按钮点击发生的事件

'......'

root.mainloop() # 进入消息循环

3.实现细节

3.1.下载模型

3.1.1.实现功能

下载模型将模型保存到本地

3.1.2.Inception文件简介

Inception为Google开源的CNN模型，至今已经公开四个版本，每一个版本都是基于大型图像数据库ImageNet中的数据训练而成。因此我们可以直接利用Google的Inception模型来实现图像分类。本项目主要以Inception_v3模型为基础。分类一张图像可以在几秒内完成。

InceptionV3网络图

3.1.3.流程图

#operation

st=>start: 开始

end=>end: 结束

cd1=>condition: 不存在"inception_model"文件夹？

op1=>operation: 下载模型压缩包inception-2015-12-05.tgz

op2=>operation: 创建"inception_model"文件夹

op3=>operation: 解压inception-2015-12-05.tgz

io1=>inputoutput: 打印"Downloading file"

done=>inputoutput: 打印"Done."

str=>inputoutput: 预测结果字符串

cd1(yes)->op2->op1->op3->done->end

cd1(no)->end

3.1.4.代码

# get_Inception_model.py

import tarfile

import requests

def download_inception_model():

# inception_v3模型下载

inception_pre_mod_url = 'http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz'

# 模型存放地址

inception_pre_mod_dir = "inception_model"

if not os.path.exists(inception_pre_mod_dir):

os.makedirs(inception_pre_mod_dir)

# 获取文件名，以及文件路径

filename = inception_pre_mod_url.split('/')[-1]

filepath = os.path.join(inception_pre_mod_dir, filename)

# 下载模型

if not os.path.exists(filepath):

print('Downloading: ', filename)

r = requests.get(inception_pre_mod_url, stream=True)

with open(filepath, 'wb') as f:

for chunk in r.iter_content(chunk_size=1024):

if chunk: f.write(chunk)

print("Done: ", filename)

# 解压文件

tarfile.open(filepath, 'r:gz').extractall(inception_pre_mod_dir)

3.2.标签解码

3.2.1.实现功能

将标签编码和标签内容一一对应(解码)

3.2.2.文件

官方下载的文件夹下有两个文件

imagenet_synset_to_human_label_map.txt

imagenet_2012_challenge_label_map_proto.pbtx

target_class对应着一个class_string，这里我们要做的任务就是将traget_class与human_string一一对应

3.2.3.代码

# nodelookup.py

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior

class NodeLookup(object):

def __init__(self):

labels_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'

uids_path = 'inception_model/imagenet_synset_to_human_label_map.txt'

self.node_lookup = self.load(labels_path, uids_path)

@staticmethod

def _load(labels_path, uids_path):

uid_to_human = {}

for line in tf.gfile.GFile(uids_path).readlines():

items = line.strip('\n').split('\t')

uid_to_human[items[0]] = items[1]

node_id_to_uid = {}

for line in tf.gfile.GFile(labels_path).readlines():

if line.startswith(' target_class:'):

target_class = int(line.split(': ')[1])

if line.startswith(' target_class_string:'):

target_class_string = line.split(': ')[1]

node_id_to_uid[target_class] = target_class_string[1:-2]

node_id_to_name = {}

for key, val in node_id_to_uid.items():

name = uid_to_human[val]

node_id_to_name[key] = name

return node_id_to_name

def id_to_string(self, node_id):

if node_id not in self.node_lookup:

return ''

return self.node_lookup[node_id]

3.3.运行模型

3.3.1.流程图

#operation

st=>start: 开始

e=>结束

sub1=>subroutine: My Subroutine

image=>inputoutput: 图像文件

model=>subroutine: 模型预测函数

str=>inputoutput: 预测结果字符串

image->model->str

3.3.2.代码

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior

import numpy as np

import nodelookup

class TensorflowPredictor():

def __init__(self):

self.sess = tf.Session()

with tf.gfile.FastGFile('./inception_model/classify_image_graph_def.pb', 'rb') as f:

graph_def = tf.GraphDef() # 定义一个计算图

graph_def.ParseFromString(f.read()) #

tf.import_graph_def(graph_def, name='')

self.softmax_tensor = self.sess.graph.get_tensor_by_name('softmax:0')

def predict_image(self, image_path):

# 载入图片

image_data = tf.gfile.FastGFile(image_path, 'rb').read()

predictions = self.sess.run(self.softmax_tensor, {'DecodeJpeg/contents:0': image_data}) # 图片格式是jpg格式

predictions = np.squeeze(predictions) # 把结果转为1维

# 打印图片路径及名称

res_str = ''

res_str += '图片路径: ' + image_path + '\n'

# 排序

top_k = predictions.argsort()[-5:][::-1]

node_lookup = nodelookup.NodeLookup()

for node_id in top_k:

# 获取分类名称

name_str = node_lookup.id_to_string(node_id)

# 获取该分类的置信度

score = predictions[node_id] * 100

res_str += '(%.2f' % (score) + '%), ' + name_str + '\n'

return res_str

3.4.GUI

3.4.1.运行图

3.4.2.代码

import os

import tkinter

from tkinter import *

from tkinter import filedialog

from PIL import ImageTk

from translate import Translator

import get_Inception_model

from tensorflow_predictor import TensorflowPredictor

root = tkinter.Tk() # 生成root主窗口

root.title("图像分类") # 设置窗体标题

root.geometry("800x800") # 设置窗体大小

if not os.path.exists('./inception_model/classify_image_graph_def.pb'): # 如果没下载model，则下载model

get_Inception_model.download_inception_model() # 下载model

translator = Translator(to_lang="chinese") # 新建Translator对象

def translator_prediction_result(pre_res): # 翻译模块

res = pre_res.split("\n")[0] + '\n'

for line in pre_res.split("\n")[1:-1]:

s = translator.translate(line.split(',')[1])

res += line + " (机翻结果: " + s + ")\n"

return res # 返回翻译结果

img_label = Label(root, width='800', height='533') # 这是是显示预测图片的全局变量

res_label = Label(root) # 这是是显示预测文字的全局变量

pdt = TensorflowPredictor() # 新建预测类(自己写的)

def selector_image(): # 选择图片按钮点击发生的事件

img_path = filedialog.askopenfilename(initialdir='./images') # 弹窗选择图像文件返回图像地址

pre_res = pdt.predict_image(image_path=img_path) # 利用地址调用预测函数返回结果字符串

pre_res = translator_prediction_result(pre_res) # 机器翻译结果字符串

photo = ImageTk.PhotoImage(file=img_path)

img_label.config(imag=photo) # 更新图片

img_label.pack()

res_label.config(text=pre_res, justify=LEFT) # 更新文字

res_label.pack()

root.mainloop() # 进入消息循环

return

btn_sel = tkinter.Button(root, text='选择图片', command=selector_image) # 选择图片按钮

btn_sel.pack()

root.mainloop() # 进入消息循环(必需组件)