Tensorflow 2 图像批量预测返回结果

Question

我有一个已经训练好的模型，我想对目录中的图像进行二元分类预测。我有超过 100,000 张图像，因此为了提高效率，我想进行批量预测。如何对图像进行批量预测，获取预测结果，并在根据类别进行预测后将图像存储在两个单独的文件夹中？这就是我的代码到目前为止的样子......model_filepath = r"C:\Users\model_200.h5"model = tf.keras.models.load_model(model_filepath)test_dir = r"C:\Users\image_testing_folder"batch_size = 64IMG_HEIGHT = 200IMG_WIDTH = 200test_image_generator = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)test_image_gen = test_image_generator.flow_from_directory(directory=str(test_dir),                                                         batch_size=batch_size,                                                         shuffle=False,                                                         target_size=(IMG_HEIGHT, IMG_WIDTH),                                                         )predictions = (model.predict(test_image_gen) > 0.5).astype("int32")predictions一种解决方案是将预测与图像文件路径联系起来，然后使用 Shutil.move() 将原始图像移动到目标文件夹。我该怎么做？有没有比使用 ImageDataGenerator 和 .flow_from_directory 更好的方法来进行批量预测？

Answer 1

您可以创建自定义数据集，以便还可以轻松检索文件名：

import tensorflow as tf

from tensorflow.keras.layers import *

from tensorflow.keras import Sequential

from glob2 import glob

from shutil import copy

import numpy as np

files = glob('group1\\*\\*.jpg')

imsize = 64

def load(file_path):

    img = tf.io.read_file(file_path)

    img = tf.image.decode_png(img, channels=3)

    img = tf.image.convert_image_dtype(img, tf.float32)

    img = tf.image.resize(img, size=(imsize, imsize))

    return img, file_path

ds = tf.data.Dataset.from_tensor_slices(files).\

    take(100).\

    shuffle(100).\

    map(load).batch(4)

model = Sequential()

model.add(Conv2D(8, (3, 3), input_shape=(imsize, imsize, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())

model.add(Dense(units=32, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(units=2, activation='sigmoid'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.build(input_shape=(imsize, imsize, 3))

categories = np.array(['cats', 'dogs'])

target_dir = 'newpics'

for cat in categories:

    os.makedirs(os.path.join(target_dir, cat), exist_ok=True)

for images, filenames in ds:

    preds = model(images)

    targets = categories[np.argmax(preds, axis=1)]

    for file, destination in zip(filenames, targets):

        copy(file.numpy().decode(), os.path.join(target_dir, destination,

                                os.path.basename(file.numpy().decode())

                                ))

        print(file.numpy().decode(), '-->', os.path.join(target_dir, destination,

                                os.path.basename(file.numpy().decode())

                                ))

group1\cats\cat.4051.jpg --> newpics\cats\cat.4051.jpg

group1\cats\cat.4091.jpg --> newpics\dogs\cat.4091.jpg

group1\cats\cat.4055.jpg --> newpics\cats\cat.4055.jpg

group1\cats\cat.4041.jpg --> newpics\cats\cat.4041.jpg

group1\cats\cat.4090.jpg --> newpics\cats\cat.4090.jpg

group1\cats\cat.4071.jpg --> newpics\dogs\cat.4071.jpg

group1\cats\cat.4082.jpg --> newpics\cats\cat.4082.jpg

group1\cats\cat.4037.jpg --> newpics\cats\cat.4037.jpg

group1\cats\cat.4005.jpg --> newpics\cats\cat.4005.jpg

您需要更改的只是全局模式和文件夹。