Comment effectuer une classification d'images sur des images à l'aide de Python

Comment classer des images à l'aide de Python

Avec le développement des domaines du traitement d'images et de l'apprentissage automatique, la classification d'images est devenue une tâche importante. En tant que langage de programmation flexible et puissant, Python fournit de nombreux outils et bibliothèques pour rendre la classification des images plus facile et plus efficace. Cet article expliquera comment utiliser Python pour classer les images et fournira des exemples de code pertinents.

1. Préparation :
   Avant de commencer, nous devons installer la bibliothèque Python correspondante. Parmi elles, les plus importantes sont les bibliothèques OpenCV et Keras. Vous pouvez l'installer via pip en utilisant la commande suivante :

pip install opencv-python
pip install keras

De plus, nous devons également télécharger un modèle pré-entraîné adapté à la classification des images. Dans cet article, nous utiliserons le modèle ResNet50. Vous pouvez le télécharger en utilisant la commande suivante :

python -m keras.applications.resnet50

2. Charger les données d'image :
   Tout d'abord, nous devons charger les données d'image dans le programme. Nous pouvons utiliser la fonction cv2.imread() de la bibliothèque OpenCV pour lire les fichiers image. Voici l'exemple de code pour charger les données d'image :

import cv2

def load_image(image_path):
    img = cv2.imread(image_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)   # 转换为RGB格式
    return img

image = load_image('image.jpg')

3. Prétraitez les données d'image :
   Avant de procéder à la classification des images, nous devons prétraiter les données d'image pour les adapter à notre modèle. En règle générale, nous effectuons une mise à l'échelle, une régularisation ou un recadrage des images. Voici l'exemple de code pour mettre à l'échelle et régulariser l'image :

import cv2
import numpy as np

def preprocess_image(image):
    image = cv2.resize(image, (224, 224))   # 缩放图像为224x224像素
    image = image.astype("float32")   # 将图像数据类型转换为float32
    image /= 255   # 归一化图像数据
    return image

preprocessed_image = preprocess_image(image)

4. Chargement du modèle pré-entraîné :
   Avant de classer l'image, nous devons charger le modèle pré-entraîné. Dans cet article, nous utiliserons le modèle ResNet50. Voici l'exemple de code pour charger le modèle pré-entraîné :

from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np

model = ResNet50(weights='imagenet')

5. Effectuer la classification des images :
   Maintenant, nous sommes prêts à classer les images. Nous utiliserons le modèle chargé pour prédire les données d'image prétraitées et générer les résultats de classification. Voici l'exemple de code pour la classification des images :

def classify_image(image):
    x = image[np.newaxis, ...]   # 将图像数据加一维以适应模型输入
    predictions = model.predict(x)   # 进行图像分类
    decoded_predictions = decode_predictions(predictions, top=3)[0]   # 解码预测结果
    return decoded_predictions

predictions = classify_image(preprocessed_image)
print(predictions)

6. Explication des résultats :
   Enfin, nous expliquerons les résultats de la prédiction. Sur la base du modèle pré-entraîné que nous avons chargé, le modèle renverra les trois principales prédictions et leurs probabilités correspondantes. Voici un exemple de code qui explique les résultats de la prédiction :

def explain_predictions(predictions):
    for pred in predictions:
        print(f"类别：{pred[1]}，概率：{pred[2]*100}%")

explain_predictions(predictions)

À ce stade, nous avons terminé le processus de classification des images à l'aide de Python. En chargeant le modèle pré-entraîné et en prétraitant les données d'image, nous pouvons facilement effectuer une classification d'images et interpréter les résultats de prédiction.

Résumé :
Cet article explique comment utiliser Python pour effectuer une classification d'images sur des images. En installant les bibliothèques OpenCV et Keras, nous pouvons charger et prétraiter les données d'image. À l'aide d'un modèle pré-entraîné, nous pouvons classer les images et interpréter les prédictions. J'espère que cet article pourra aider les lecteurs à comprendre comment utiliser Python pour la classification d'images et fournir une référence pour une exploration plus approfondie dans les domaines du traitement d'images et de l'apprentissage automatique.

Références :

1. https://docs.opencv.org/master/d6/d00/tutorial_py_root.html
2. https://keras.io/api/applications/
3. https://numpy.org / doc/stable/

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!