人工智能训练师

Appearance

3.2.4 花朵智能识别系统交互流程设计 ​

1.导入库 ​

python
import onnxruntime as ort
import numpy as np
import scipy.special
from PIL import Image
  • onnxruntime : ⽤于加载和运⾏ ONNX 模型
  • numpy : ⽤于数值计算和数组操作
  • scipy.special : 提供特殊数学函数，这⾥使⽤ softmax
  • PIL.Image : Python 图像处理库

2.图像预处理函数 ​

python
def preprocess_image(image, resize_size=256, crop_size=224, mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]):

定义预处理函数，参数：

  • image : 输⼊的 PIL 图像对象
  • resize_size=256 : 先调整到的尺⼨（默认 256×256 ）
  • crop_size=224 : 中⼼裁剪的尺⼨（默认 224×224 ）
  • mean : 各通道的均值（ ImageNet 数据集）
  • std : 各通道的标准差（ ImageNet 数据集）
python
	image = image.resize((resize_size, resize_size), Image.BILINEAR)
  • 将图像缩放到指定⼤⼩，使⽤双线性插值
python
	w, h = image.size
	left = (w - crop_size) / 2
	top = (h - crop_size) / 2
	image = image.crop((left, top, left + crop_size, top + crop_size))

计算中⼼位置并裁剪出指定⼤⼩的区域

python
	image = np.array(image).astype(np.float32)

将 PIL 图像转换为 numpy 数组并转为 float32 类型

python
	image = image / 255.0

将像素值从 [0,255] 归⼀化到 [0,1]

python
    image = (image - mean) / std

使⽤ ImageNet 的均值和标准差进⾏标准化

python
	image = np.transpose(image, (2, 0, 1))

将图像数据从 (H,W,C) 转置为 (C,H,W) 格式

python
	image = image.reshape((1,) + image.shape)

添加 batch 维度，形状变为 (1,C,H,W)

    return image

返回处理后的 4 维张量

3.加载模型 ​

python
session = ort.InferenceSession('flower-detection.onnx')

创建 ONNX 运⾏时会话，加载花朵检测模型

4. 加载类别标签 ​

python
with open('labels.txt') as f:
    labels = [line.strip() for line in f.readlines()]

读取标签⽂件，每⾏⼀个类别名称，去除⾸尾空格

5.获取输入输出名称 ​

python
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name

获取模型输⼊和输出节点的名称

6.加载测试图像 ​

python
image = Image.open('flower_test.png').convert('RGB')

打开测试图像并确保是 RGB 格式

7.预处理图像 ​

python
processed_image = preprocess_image(image)
processed_image = processed_image.astype(np.float32)

调用预处理函数，并确保数据类型为 float32

8.模型推理 ​

python
output = session.run([output_name], {input_name: processed_image})[0]

运⾏模型，获取输出结果

9.计算类别概率 ​

python
accuracy = scipy.special.softmax(output, axis=-1)

对模型输出应用 softmax ，得到各类别概率分布

10. 解析预测结果 ​

predicted_idx = np.argmax(accuracy[0])

找到概率最大的类别索引

python
prob_percentage = accuracy[0, predicted_idx] * 100

将最高概率转换为百分比形式

python
predicted_label = labels[predicted_idx]

根据索引获取对应的类别名称

11.输出结果 ​

python
print(f"Predicted class: {predicted_label}, Accuracy: {prob_percentage:.2f}%")

格式化输出预测结果，保留 2 位⼩数

人机交互的最优方式 ​

（1）用户界面设计：提供一个简洁直观的用户界面，方便用户上传图片和查看识别结果。

（2）加载模型“flower-detection.onnx”和加载类别标签“labels.txt”；

（3）加载一张本地花朵图片“flower_test.png”，并预处理图像；

（4）使用flower-detection模型对花朵图片进行识别；

（5）输出花朵的预测类型和识别的准确率。