迁移学习之MobileNet（88层）和MobileNetV2（88层）

62 阅读 0 评论 41 点赞

我是靠谱客的博主调皮鞋子，最近开发中收集的这篇文章主要介绍迁移学习之MobileNet（88层）和MobileNetV2（88层），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

文章目录

- 1.实现的效果：
- 2.结果分析：
- 3.主文件TransorMobileNet.py:

1.实现的效果：

在这里插入图片描述
实际图片：

（1）MobileNet预测的第一个结果为：pug（哈巴狗）
（2）MobileNetV2预测的第一个结果为：West_Highland_white_terrier（西部高地白梗犬）

2.结果分析：

（1）虽然两种模型都预测为了狗，可是结果差别也较大，相比于之前的ResNet50，ResNet101，Inception_ResNet_V2差的较多（当然简单的测试说明不了什么问题，但是也能看出差别）。
（2）说明ResNet残差网络对于图像的预测效果比较好，也不能说明更深层的网络提取的特征一定比稍微浅层的好，就像之前ResNet50和ResNet101的比较结果，ResNet50输出的概率值就比ResNet101要好10个百分点左右（当然，一个简单的测试还是说明不了什么问题）。
（3）建议读者可以在以后选择图片的预测模型时，可以使用ResNet50，这个模型有50层，计算量也相对较少一些，预测的结果也比较好。
关于ResNet50和ResNet101：
https://mydreamambitious.blog.csdn.net/article/details/123906833
关于VGG16和VGG19：
https://mydreamambitious.blog.csdn.net/article/details/123906643
关于InceptionV3（159层）,Xception（126层）,Inception_ResNet_V2（572层）：
https://mydreamambitious.blog.csdn.net/article/details/123907490
关于DenseNet121(121层）,DenseNet169(169层),DenseNet201(201层)：
https://mydreamambitious.blog.csdn.net/article/details/123908742
EfficientNetBX
https://mydreamambitious.blog.csdn.net/article/details/123929264

3.主文件TransorMobileNet.py:

import os
import cv2
import tensorflow
import numpy as np
from PIL import Image
from tensorflow import keras
from tensorflow.keras.preprocessing import image
from tensorflow.keras.preprocessing.image import img_to_array
from tensorflow.keras.applications.inception_v3 import preprocess_input,decode_predictions

def load_MobileNet():
    #加载InceptionV3并且保留顶层（也就是全连接层）
    model_MobileNet=tensorflow.keras.applications.mobilenet.MobileNet(weights='imagenet')

    #图形路径
    curr_path=os.getcwd()
    img_path=curr_path+'\images\train\dog\1.jpg'
    #将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img=image.load_img(img_path,target_size=(224,224))
    #首先需要转换为向量的形式
    img_out=image.img_to_array(img)
    #扩充维度
    img_out=np.expand_dims(img_out,axis=0)
    #对输入的图像进行处理
    img_out=preprocess_input(img_out)
    # decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    #上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds=model_MobileNet.predict(img_out)
    #输出前三个结果的可能性
    print('Predicted: ',decode_predictions(preds,top=3)[0])
    print('Predicted: ',decode_predictions(preds,top=3))


def load_MobileNetV2():
    # 加载Xception并且保留顶层（也就是全连接层）
    model_MobileNetV2 =tensorflow.keras.applications.mobilenet_v2.MobileNetV2(weights='imagenet')

    # 图形路径
    img_path = 'images/train/dog/1.jpg'
    # 将图像转换为网络需要的大小，因为我们这里加载的模型都是固定输入大小224*224
    img = image.load_img(img_path, target_size=(224, 224))
    # 首先需要转换为向量的形式
    img_out = image.img_to_array(img)
    # 扩充维度
    img_out = np.expand_dims(img_out, axis=0)
    # 对输入的图像进行处理
    img_out = preprocess_input(img_out)
    # decode the results into a list of tuples (class, description, probability)
    # (one such list for each sample in the batch)
    # 上面这段话的意思是输出包括（类别，图像描述，输出概率）
    preds = model_MobileNetV2.predict(img_out)
    # 输出前三个结果的可能性
    print('Predicted: ', decode_predictions(preds, top=3)[0])
    print('Predicted: ', decode_predictions(preds, top=3))



if __name__ == '__main__':
    print('Pycharm')
    print('MobileNet: \n')
    load_MobileNet()
    print('MobileNetV2: \n')
    load_MobileNetV2()