البرنامج التعليمي: تشغيل نموذج TensorFlow في Python

مقالة
01/23/2024

يوضح لك هذا البرنامج التعليمي كيفية استخدام نموذج TensorFlow المصدر محليا لتصنيف الصور.

إشعار

ينطبق هذا البرنامج التعليمي فقط على النماذج التي تم تصديرها من مشاريع تصنيف الصور "العامة (المدمجة)". إذا قمت بتصدير نماذج أخرى، فيرجى زيارة مستودع نموذج التعليمة البرمجية الخاص بنا.

المتطلبات الأساسية

قم بتثبيت +Python 2.7 أو +Python 3.6.
قم بتثبيت pip.

بعد ذلك، ستحتاج إلى تثبيت الحزم التالية:

pip install tensorflow
pip install pillow
pip install numpy
pip install opencv-python

تحميل النموذج والعلامات الخاصة بك

يحتوي ملف .zip الذي تم تنزيله من خطوة التصدير على model.pb وملف labels.txt. تمثل هذه الملفات النموذج المدرب وعلامات التصنيف. الخطوة الأولى هي تحميل النموذج في مشروعك. أضف التعليمة البرمجية التالية إلى برنامج نصي جديد من Python.

import tensorflow as tf
import os

graph_def = tf.compat.v1.GraphDef()
labels = []

# These are set to the default names from exported models, update as needed.
filename = "model.pb"
labels_filename = "labels.txt"

# Import the TF graph
with tf.io.gfile.GFile(filename, 'rb') as f:
    graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def, name='')

# Create a list of labels.
with open(labels_filename, 'rt') as lf:
    for l in lf:
        labels.append(l.strip())

تحضير صورة للتنبؤ

هناك بعض الخطوات التي تحتاج إلى اتخاذها لإعداد صورة للتنبؤ. تحاكي هذه الخطوات معالجة الصورة التي يتم إجراؤها أثناء التدريب.

افتح الملف وأنشئ صورة في مساحة ألوان BGR

from PIL import Image
import numpy as np
import cv2

# Load from a file
imageFile = "<path to your image file>"
image = Image.open(imageFile)

# Update orientation based on EXIF tags, if the file has orientation info.
image = update_orientation(image)

# Convert to OpenCV format
image = convert_to_opencv(image)

إذا كان للصورة بعد أكبر من 1600 بكسل، فاتصل بهذا الأسلوب (معرف لاحقا).
```
image = resize_down_to_1600_max_dim(image)
```

قص أكبر مربع مركزي

h, w = image.shape[:2]
min_dim = min(w,h)
max_square_image = crop_center(image, min_dim, min_dim)

تغيير حجم هذا المربع إلى 256x256

augmented_image = resize_to_256_square(max_square_image)

قص المركز لحجم الإدخال المحدد للنموذج

# Get the input size of the model
with tf.compat.v1.Session() as sess:
    input_tensor_shape = sess.graph.get_tensor_by_name('Placeholder:0').shape.as_list()
network_input_size = input_tensor_shape[1]

# Crop the center for the specified network_input_Size
augmented_image = crop_center(augmented_image, network_input_size, network_input_size)

تعريف وظائف المساعد. تستخدم الخطوات المذكورة أعلاه وظائف المساعد التالية:

def convert_to_opencv(image):
    # RGB -> BGR conversion is performed as well.
    image = image.convert('RGB')
    r,g,b = np.array(image).T
    opencv_image = np.array([b,g,r]).transpose()
    return opencv_image

def crop_center(img,cropx,cropy):
    h, w = img.shape[:2]
    startx = w//2-(cropx//2)
    starty = h//2-(cropy//2)
    return img[starty:starty+cropy, startx:startx+cropx]

def resize_down_to_1600_max_dim(image):
    h, w = image.shape[:2]
    if (h < 1600 and w < 1600):
        return image

    new_size = (1600 * w // h, 1600) if (h > w) else (1600, 1600 * h // w)
    return cv2.resize(image, new_size, interpolation = cv2.INTER_LINEAR)

def resize_to_256_square(image):
    h, w = image.shape[:2]
    return cv2.resize(image, (256, 256), interpolation = cv2.INTER_LINEAR)

def update_orientation(image):
    exif_orientation_tag = 0x0112
    if hasattr(image, '_getexif'):
        exif = image._getexif()
        if (exif != None and exif_orientation_tag in exif):
            orientation = exif.get(exif_orientation_tag, 1)
            # orientation is 1 based, shift to zero based and flip/transpose based on 0-based values
            orientation -= 1
            if orientation >= 4:
                image = image.transpose(Image.TRANSPOSE)
            if orientation == 2 or orientation == 3 or orientation == 6 or orientation == 7:
                image = image.transpose(Image.FLIP_TOP_BOTTOM)
            if orientation == 1 or orientation == 2 or orientation == 5 or orientation == 6:
                image = image.transpose(Image.FLIP_LEFT_RIGHT)
    return image

تصنيف الصورة

بمجرد تحضير الصورة كـ tensor، يمكننا إرسالها عبر النموذج للتنبؤ.

# These names are part of the model and cannot be changed.
output_layer = 'loss:0'
input_node = 'Placeholder:0'

with tf.compat.v1.Session() as sess:
    try:
        prob_tensor = sess.graph.get_tensor_by_name(output_layer)
        predictions = sess.run(prob_tensor, {input_node: [augmented_image] })
    except KeyError:
        print ("Couldn't find classification output layer: " + output_layer + ".")
        print ("Verify this a model exported from an Object Detection project.")
        exit(-1)

عرض النتائج

ستحتاج بعد ذلك نتائج تشغيل tensor الصورة من خلال النموذج إلى إعادة تعيينها إلى الملصقات.

    # Print the highest probability label
    highest_probability_index = np.argmax(predictions)
    print('Classified as: ' + labels[highest_probability_index])
    print()

    # Or you can print out all of the results mapping labels to probabilities.
    label_index = 0
    for p in predictions:
        truncated_probablity = np.float64(np.round(p,8))
        print (labels[label_index], truncated_probablity)
        label_index += 1

الخطوات التالية

بعد ذلك، تعرف على كيفية التفاف النموذج الخاص بك في تطبيق جوال:

Share via