次の方法で共有


チュートリアル: Python での TensorFlow モデルの実行

このチュートリアルでは、エクスポートされた TensorFlow モデルをローカルで使用して画像を分類する方法について説明します。

Note

このチュートリアルは、"汎用(コンパクト)" イメージ分類のプロジェクトからエクスポートされたモデルにのみ適用されます。 他のモデルをエクスポートした場合は、Microsoft のサンプル コード リポジトリにアクセスしてください。

前提条件

  • Python 2.7 以降または Python 3.6 以降をインストールします。
  • pip をインストールします。

続けて次のパッケージをインストールする必要があります。

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

モデルとタグを読み込む

エクスポート手順でダウンロードした .zip ファイルには、model.pblabels.txt ファイルが含まれています。 これらのファイルは、トレーニング済みモデルと分類ラベルを表します。 最初の手順では、プロジェクトに、モデルを読み込みます。 次のコードを新しい Python スクリプトに追加します。

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())

予測の画像を準備する

予測に使用する画像を準備するにあたって行うべき手順がいくつかあります。 これらの手順は、トレーニング中に実行される画像操作に似ています。

  1. ファイルを開き、BGR 色空間に画像を作成する

    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. 画像の寸法が 1600 ピクセルを超える場合は、このメソッドを呼び出します (後で定義します)。

    image = resize_down_to_1600_max_dim(image)
    
  3. 中央の最も大きな四角形をトリミングする

    h, w = image.shape[:2]
    min_dim = min(w,h)
    max_square_image = crop_center(image, min_dim, min_dim)
    
  4. その四角形のサイズを変更し、256 x 256 に下げます

    augmented_image = resize_to_256_square(max_square_image)
    
  5. モデルの特定の入力サイズの中央をトリミングする

    # 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. ヘルパー関数を定義します。 上記の手順では、次のヘルパー関数を使用します。

    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
    

画像を分類する

画像がテンソルとして準備されたら、予測用モデルを通じて送信できます。

# 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)

結果を表示する

モデルを通じて画像テンソルを実行した結果をラベルにマップする必要があります。

    # 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

次のステップ

次に、モバイル アプリケーションにモデルをラップする方法を学びましょう。