TensorFlow：使用inception-v3实现各种图像识别

 # https://www.cnblogs.com/felixwang2/p/9190740.html

 # TensorFlow(十五)：使用inception-v3实现各种图像识别

 import tensorflow as tf

 import os

 import numpy as np

 import re

 from PIL import Image

 import matplotlib.pyplot as plt

 class NodeLookup(object):

     def __init__(self):

         label_lookup_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'

         uid_lookup_path = 'inception_model/imagenet_synset_to_human_label_map.txt'

         self.node_lookup = self.load(label_lookup_path, uid_lookup_path)

     def load(self, label_lookup_path, uid_lookup_path):

         # 加载分类字符串n********对应分类名称的文件

         proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()

         uid_to_human = {}

         #一行一行读取数据

         for line in proto_as_ascii_lines :

             #去掉换行符

             line=line.strip('\n')

             #按照'\t'分割

             parsed_items = line.split('\t')

             #获取分类编号

             uid = parsed_items[0]

             #获取分类名称

             human_string = parsed_items[1]

             #保存编号字符串n********与分类名称映射关系

             uid_to_human[uid] = human_string

         # 加载分类字符串n********对应分类编号1-1000的文件

         proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()

         node_id_to_uid = {}

         for line in proto_as_ascii:

             if line.startswith('  target_class:'):

                 #获取分类编号1-1000

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

             if line.startswith('  target_class_string:'):

                 #获取编号字符串n********

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

                 #保存分类编号1-1000与编号字符串n********映射关系

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

         #建立分类编号1-1000对应分类名称的映射关系

         node_id_to_name = {}

         for key, val in node_id_to_uid.items():

             #获取分类名称

             name = uid_to_human[val]

             #建立分类编号1-1000到分类名称的映射关系

             node_id_to_name[key] = name

         return node_id_to_name

     #传入分类编号1-1000返回分类名称

     def id_to_string(self, node_id):

         if node_id not in self.node_lookup:

             return ''

         return self.node_lookup[node_id]

 #创建一个图来存放google训练好的模型

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

     graph_def = tf.GraphDef()

     graph_def.ParseFromString(f.read())

     tf.import_graph_def(graph_def, name='')

 gpu_options = tf.GPUOptions(allow_growth=True)

 with tf.Session(config=tf.ConfigProto(gpu_options=gpu_options)) as sess:

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

     #遍历目录，如果images下没有图片，则没有任何识别

     for root,dirs,files in os.walk('images/'):

         for file in files:

             #载入图片

             image_data = tf.gfile.FastGFile(os.path.join(root,file), 'rb').read()

             predictions = sess.run(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维数据

             #打印图片路径及名称

             image_path = os.path.join(root,file)

             print(image_path)

             #显示图片

             img=Image.open(image_path)

             plt.imshow(img)

             plt.axis('off')

             plt.show()

             #排序

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

             node_lookup = NodeLookup()

             for node_id in top_k:

                 #获取分类名称

                 human_string = node_lookup.id_to_string(node_id)

                 #获取该分类的置信度

                 score = predictions[node_id]

                 print('%s (score = %.5f)' % (human_string, score))

             print()