مشاركة عبر

تشغيل نموذج TensorFlow في Python

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

ملاحظة

ينطبق هذا الدليل فقط على النماذج المصدرة من مشاريع تصنيف الصور "العامة (المضغوطة)". إذا قمت بتصدير نماذج أخرى، فيرجى زيارة مستودع نموذج التعليمات البرمجية .

المتطلبات الأساسية

  • قم بتثبيت إما Python 2.7+ أو Python 3.6+.
  • تثبيت pip.
  • ثم قم بتثبيت الحزم التالية: 
    pip install tensorflow
pip install pillow
pip install numpy
pip install opencv-python

تحميل النموذج والعلامات

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

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())

إعداد صورة للتنبؤ

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

  1. افتح الملف وأنشئ صورة في مساحة لون 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)

  2. إذا كان للصورة بعد أكبر من 1600 بكسل، فاتصل بهذا الأسلوب (معرف لاحقا).

    image = resize_down_to_1600_max_dim(image)

  3. اقتصاص أكبر مربع مركزي

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

  4. تغيير حجم هذا المربع إلى 256x256

    augmented_image = resize_to_256_square(max_square_image)

  5. اقتصاص 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)

  6. تعريف وظائف المساعد. تستخدم الخطوات 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 صورة

بمجرد إعداد الصورة كموتر، يمكننا إرسالها من خلال 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

ثم ستحتاج نتائج تشغيل موتر الصورة من خلال النموذج إلى تعيينها مرة أخرى إلى التسميات.

    # 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

المحتويات ذات الصلة

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

  • Last updated on