Öğretici: Python'da TensorFlow modeli çalıştırma

  • Makale

Bu öğreticide, görüntüleri sınıflandırmak için dışarı aktarılan TensorFlow modelinin yerel olarak nasıl kullanılacağı gösterilmektedir.

Not

Bu öğretici yalnızca "Genel (kompakt)" görüntü sınıflandırma projelerinden dışarı aktarılan modeller için geçerlidir. Diğer modelleri dışarı aktardıysanız lütfen örnek kod depomuzu ziyaret edin.

Önkoşullar

  • Python 2.7+ veya Python 3.6+ yükleyin.
  • Pip yükleyin.

Ardından aşağıdaki paketleri yüklemeniz gerekir:

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

Modelinizi ve etiketleri yükleme

Dışarı aktarma adımından indirilen .zip dosyası bir model.pb ve bir labels.txt dosyası içerir. Bu dosyalar eğitilen modeli ve sınıflandırma etiketlerini temsil eder. İlk adım, modeli projenize yüklemektir. Aşağıdaki kodu yeni bir Python betiğine ekleyin.

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())

Görüntüyü tahmin için hazırlama

Bir görüntüyü tahmine hazırlamak için uygulamanız gereken birkaç adım vardır. Bu adımlar, eğitim sırasında gerçekleştirilen görüntü işlemeyi taklit edin.

  1. Dosyayı açma ve BGR renk alanında bir görüntü oluşturma

    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)

  2. Görüntünün boyutu 1600 pikselden büyükse bu yöntemi çağırın (daha sonra tanımlanacaktır).

    image = resize_down_to_1600_max_dim(image)

  3. En büyük orta kareyi kırpma

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

  4. Bu kareyi 256x256 olarak yeniden boyutlandır

    augmented_image = resize_to_256_square(max_square_image)

  5. Modele özgü giriş boyutu için ortayı kırpma

    # 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)

  6. Yardımcı işlevleri tanımlayın. Yukarıdaki adımlar aşağıdaki yardımcı işlevleri kullanır:

    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

Görüntüyü sınıflandırma

Görüntü bir tensor olarak hazırlandıktan sonra tahmin için model üzerinden gönderebiliriz.

# 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)

Sonuçları görüntüleme

Tensor görüntü model aracılığıyla çalıştırıldığında etiketlerle eşlenmelidir.

    # 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

Sonraki adımlar

Ardından modelinizi bir mobil uygulamaya nasıl sarmalayacağınızı öğrenin: