注：本系列博客在于汇总CSDN的精华帖，类似自用笔记，不做学习交流，方便以后的复习回顾，博文中的引用都注明出处，并点赞收藏原博主.
目录
VGG模型检测
一：导入必要的库和模块
二：主函数部分
1.调动cpu或者gpu
2.对图像的预处理
3.加载图像
4.运用预处理和扩展图像维度
5.读取json文件
6.创建模型和加载模型权重
7. 对结果进行评估
8. 打印结果并显示图像
9.运行主函数
小结
VGG模型检测
一：导入必要的库和模块
# 导入所需的库和模块
import os # 导入操作系统相关的库
import json # 导入处理json数据的库 import torch # 导入PyTorch库
from PIL import Image # 导入处理图像数据的库
from torchvision import transforms # 导入PyTorch的图像预处理库
import matplotlib.pyplot as plt # 导入matplotlib库用于图像显示 from model import vgg # 从model模块中导入vgg模型 二：主函数部分
1.调动cpu或者gpu
# 判断是否有GPU可用，并设置device变量 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") 2.对图像的预处理
# 定义图像预处理流程 data_transform = transforms.Compose( [transforms.Resize((224, 224)), # 将图像尺寸调整为224x224 transforms.ToTensor(), # 将图像转换为Tensor格式 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) # 对图像进行标准化处理 3.加载图像
这里我是用的是绝对路径，可以改成基于上级文件的路径。
# 加载图像 img_path = "F:/code/Python/pytorch/VGG_image_classifcation/tulip.jpg" # 定义图像路径 assert os.path.exists(img_path), "file: '{}' does not exist.".format(img_path) # 断言图像文件存在 img = Image.open(img_path) # 使用PIL库打开图像文件 plt.imshow(img) # 使用matplotlib显示图像 4.运用预处理和扩展图像维度
# 对图像进行预处理 img = data_transform(img) # 应用预处理流程 # 扩展图像数据的batch维度 img = torch.unsqueeze(img, dim=0) # 将图像数据扩展为batch维度为1的张量 5.读取json文件
# 读取类别索引字典 json_path = './class_indices.json' # 定义json文件路径 assert os.path.exists(json_path), "file: '{}' does not exist.".format(json_path) # 断言json文件存在 with open(json_path, "r") as f: # 打开json文件 class_indict = json.load(f) # 读取json文件内容到class_indict变量中6.创建模型和加载模型权重
# 创建模型 model = vgg(model_name="vgg16", num_classes=4).to(device) # 创建vgg16模型，并指定输出类别数为4，然后移动到指定的设备上 # 加载模型权重 weights_path = "./vgg16Net.pth" # 定义模型权重文件路径 assert os.path.exists(weights_path), "file: '{}' does not exist.".format(weights_path) # 断言权重文件存在 model.load_state_dict(torch.load(weights_path, map_location=device)) # 加载模型权重7. 对结果进行评估
model.eval() # 将模型设置为评估模式 with torch.no_grad(): # 不计算梯度，节省计算资源 # 预测类别 output = torch.squeeze(model(img.to(device))).cpu() # 对图像进行预测，并去除batch维度，然后将结果移动到CPU上 predict = torch.softmax(output, dim=0) # 对预测结果进行softmax计算，得到每个类别的概率 predict_cla = torch.argmax(predict).numpy() # 找到概率最大的类别的索引8. 打印结果并显示图像
# 打印预测结果 print_res = "class: {} prob: {:.3}".format(class_indict[str(predict_cla)], predict[predict_cla].numpy()) # 格式化预测结果 plt.title(print_res) # 设置图像标题为预测结果 for i in range(len(predict)): # 遍历每个类别的概率 print("class: {:10} prob: {:.3}".format(class_indict[str(i)], predict[i].numpy())) # 打印每个类别的名称和概率 plt.show() # 显示图像 9.运行主函数
# 如果当前脚本被直接运行（而不是被其他脚本导入），则执行main函数
if __name__ == '__main__': main()小结
1.记得导入VGG模型
2.结果进行可视化处理
)
