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_v3模型源码下载

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）

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README.md

README.md

1.项目简介

2.代码框架

3.实现细节

3.1.下载模型

3.1.1.实现功能

3.1.2.Inception文件简介

3.1.3.流程图

3.1.4.代码

3.2.标签解码

3.2.1.实现功能

3.2.2.文件

3.2.3.代码

3.3.运行模型

3.3.1.流程图

3.3.2.代码

3.4.GUI

3.4.1.运行图

3.4.2.代码

Files

README.md

Latest commit

History

README.md

File metadata and controls

1.项目简介

2.代码框架

3.实现细节

3.1.下载模型

3.1.1.实现功能

3.1.2.Inception文件简介

3.1.3.流程图

3.1.4.代码

3.2.标签解码

3.2.1.实现功能

3.2.2.文件

3.2.3.代码

3.3.运行模型

3.3.1.流程图

3.3.2.代码

3.4.GUI

3.4.1.运行图

3.4.2.代码