Tensorflow inception-v3 图像识别

import os
import re

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from PIL import Image


class NodeLookup(object):
    def __init__(self):
        label_lookup_path = 'inception_model/imagenet_2012_challenge_label_map_proto.pbtxt'
        uid_lookup_path = 'inception_model/imagenet_synset_to_human_label_map.txt'
        self.node_lookup = self.load(label_lookup_path, uid_lookup_path)

    def load(self, label_lookup_path, uid_lookup_path):
        # 加載分類字符串 n******** 對應分類名稱的文件
        proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
        uid_to_human = {}
        # 一行一行讀取數據
        for line in proto_as_ascii_lines:
            # 去掉換行符
            line = line.strip('\n')
            # 按照 '\t' 分割
            parsed_items = line.split('\t')
            # 獲取分類編號
            uid = parsed_items[0]
            # 獲取分類名稱
            human_string = parsed_items[1]
            # 保存編號字符串 n********** 與分類名稱映射關係
            # {"n01443243" : "gudgeon, Gobio gobio", ...}
            uid_to_human[uid] = human_string

        # 加載分類字符串 n******** 對應分類編號 1-1000 的文件
        proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
        node_id_to_uid = {}
        for line in proto_as_ascii:
            if line.startswith('  target_class:'):
                # 獲取分類編號 1-1000
                target_class = int(line.split(': ')[1])
            if line.startswith('  target_class_string:'):
                # 獲取編號字符串 n*******
                target_class_string = line.split(': ')[1]
                # 保存分類編號1-1000 與編號字符串 n******** 映射關係
                # {450:"n01443537", ...}
                node_id_to_uid[target_class] = target_class_string[1:-2]

        # 建立分類編號 1-1000 對應分類名稱的映射關係
        node_id_to_name = {}
        for key, val in node_id_to_uid.items():
            # 獲取分類名稱
            name = uid_to_human[val]
            # 建立分類編號 1-1000 到分類名稱的映射關係
            # node_id   name
            # ----      --------------------
            # {449:     "tench, Tinca tinca", ....}
            node_id_to_name[key] = name
        return node_id_to_name

    # 傳入分類編號 1-1000 返回分類名稱
    def id_to_string(self, node_id):
        if node_id not in self.node_lookup:
            return ''
        return self.node_lookup[node_id]


# 創建一個空圖來加載 google 訓練好的模型
with tf.gfile.GFile('inception_model/classify_image_graph_def.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def, name='')

with tf.Session() as sess:
    # 通過node名字加載你需要計算的 node
    softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')
    # 遍歷目錄
    for root, dirs, files in os.walk('images/'):
        for file in files:
            # 載入圖片
            image_data = tf.gfile.FastGFile(os.path.join(root, file),
                                            'rb').read()
            # 餵食數據給graph的入口placeholder
            predictions = sess.run(softmax_tensor,
                                   {'DecodeJpeg/contents:0': image_data})
            # predictions 是一個1000維向量, 每一個位都是一個概率值.
            # (1000, 1) ==> (1000,)
            predictions = np.squeeze(predictions)  # 結果轉換爲 1 維數據

            # 打印圖片路徑及名稱
            image_path = os.path.join(root, file)
            print(image_path)

            # 顯示圖片
            img = Image.open(image_path)
            plt.imshow(img)
            plt.axis('off')
            plt.show()

            # 排序
            # argsort 排序得到的是從小到大的list
            #
            # 對這5個值取倒序,將其變成從大到小 <-+
            #                                    |
            # 取最大的5個(其順序依然從小到大)    |
            #                             |      |
            #                            ----  ----
            top_k = predictions.argsort()[-5:][::-1]
            node_lookup = NodeLookup()
            for node_id in top_k:
                # 獲取分類名稱
                human_string = node_lookup.id_to_string(node_id)
                # 獲取該分類置信度
                score = predictions[node_id]
                print('%s (score = %.5f)' % (human_string, score))
            print()