标签:树莓 图像识别 img torch pytorch transforms device import net
首先在树莓派上搭建好pytorch环境,这里我python版本是3.7
下面要做的工作就是调用已经训练好的模板net=torch.load('模板的路径',map_location='cpu')
当然少不了对图像尺寸格式先进行统一
transform=transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485,0.456,0.406],
std=[0.229,0.224,0.225])
])
之后,就是基本一些调用,这些都可以在pytorch官网上查阅
下面我粘出我的完整代码:
import torch
from PIL import Image
from torchvision import transforms
import numpy
import matplotlib
device = torch.device("cuda"if torch.cuda.is_available() else "cpu")
#下面是对图像尺寸和格式进行一定的转换
transform=transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485,0.456,0.406],
std=[0.229,0.224,0.225])
])
def prediect(img_path):
net=torch.load('模型路径',map_location='cpu')
net=net.to(device) #最开始读取数据时的tensor变量copy一份到device所指定的GPU上去,之后的运算都在GPU上进行。
torch.no_grad()
img=Image.open(img_path)
img=transform(img).unsqueeze(0)
img_ = img.to(device)
outputs = net(img_)
#torch.max()这个函数返回的是两个值,第一个是行的最大值,第二个是行最大值的索引,dim是max函数索引的维度0/1,0是每列的最大值,1是每行的最大值,计算准确度时我们只需要第二个
_, predicted = torch.max(outputs,dim=1)
# print(predicted)
d = predicted[0].tolist() # tensor张量转换为list,得到的结果是一个数字,这样会有利于我们的调用
print('照片可能是 :',d)
if __name__ == '__main__':
prediect('图片路径')
下面是我运行结果
这个15表示训练模型是的序列号
标签:树莓,图像识别,img,torch,pytorch,transforms,device,import,net 来源: https://blog.csdn.net/m0_46410698/article/details/113958039
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。