1. 下载网络结构及模型
1.1 下载MobileNet V1定义网络结构的文件
MobileNet V1的网络结构可以直接从官方Github库中下载定义网络结构的文件，地址为：https://raw.githubusercontent.com/tensorflow/models/master/research/slim/nets/mobilenet_v1.py
1.2 下载MobileNet V1预训练模型
MobileNet V1预训练的模型文在如下地址中下载：
https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md
打开以上网址，可以看到MobileNet V1官方预训练的模型，官方提供了不同输入尺寸和不同网络中通道数的多个模型，并且提供了每个模型对应的精度。可以根据实际的需要下载对应的模型，如下图所示。
这里以选择MobileNet_v1_1.0_192为例，表示网络中的所有卷积后的通道数为标准通道数（即1.0倍），输入图像尺寸为192X192。
2. 构建网络结构及加载模型参数
2.1 构建网络结构
在1.1小节中下载mobilenet_v1.py文件后，使用其中的mobilenet_v1函数构建网络结构静态图，如下代码所示。
import tensorflow as tf
from mobilenet_v1 import mobilenet_v1,mobilenet_v1_arg_scope
slim = tf.contrib.slim
def build_model(inputs):
with slim.arg_scope(mobilenet_v1_arg_scope(is_training=False)):
logits, end_points = mobilenet_v1(inputs, is_training=False, depth_multiplier=1.0, num_classes=1001)
scores = end_points['Predictions']
print(scores)
#取概率最大的3个类别及其对应概率
output = tf.nn.top_k(scores, k=3, sorted=True)
#indices为类别索引，values为概率值
return output.indices,output.values
上面代码中，使用函数tf.nn.top_k取概率最大的3个类别机器对应概率。
2.2 加载模型参数
CKPT = 'mobilenet_v1_1.0_192.ckpt'
def load_model(sess):
loader = tf.train.Saver()
loader.restore(sess,CKPT)
inputs=tf.placeholder(dtype=tf.float32,shape=(1,192,192,3))
classes_tf,scores_tf = build_model(inputs)
with tf.Session() as sess:
load_model(sess)
先定义placeholder输入inputs，再通过函数build_model完成静态图的定义。接下来传入tf.Session对象到load_model函数中完成模型加载。
3. 模型测试
3.1 加载Label
网络输出结果为类别的索引值，需要将索引值转为对应的类别字符串。先从官网下载label数据，需要注意的是MobileNet V1使用的是ILSVRC-2012-CLS数据，因此需要下载对应的Label信息（本文后面附件中会提供）。解析Label数据代码如下。
def load_label():
label=['其他']
with open('label.txt','r',encoding='utf-8') as r:
lines = r.readlines()
for l in lines:
l = l.strip()
arr = l.split(',')
label.append(arr[1])
return label
3.2 测试结果
使用如下图片进行测试。
执行inference.py后，控制台输出结果如下所示。
识别 test_images/test1.png 结果如下：
No. 0 类别: 军用飞机 概率: 0.9363691
No. 1 类别: 飞机翅膀 概率: 0.032617383
No. 2 类别: 炮弹 概率: 0.01853972
识别 test_images/test2.png 结果如下：
No. 0 类别: 小儿床 概率: 0.9455737
No. 1 类别: 摇篮 概率: 0.044925883
No. 2 类别: 板架 概率: 0.007288801
4 完整代码
inference.py完整的代码如下所示。
import tensorflow as tf
from mobilenet_v1 import mobilenet_v1,mobilenet_v1_arg_scope
import cv2
import os
import numpy as np
slim = tf.contrib.slim
CKPT = 'mobilenet_v1_1.0_192.ckpt'
dir_path = 'test_images'
def build_model(inputs):
with slim.arg_scope(mobilenet_v1_arg_scope(is_training=False)):
logits, end_points = mobilenet_v1(inputs, is_training=False, depth_multiplier=1.0, num_classes=1001)
scores = end_points['Predictions']
print(scores)
#取概率最大的5个类别及其对应概率
output = tf.nn.top_k(scores, k=3, sorted=True)
#indices为类别索引，values为概率值
return output.indices,output.values
def load_model(sess):
loader = tf.train.Saver()
loader.restore(sess,CKPT)
def get_data(path_list,idx):
img_path = images_path[idx]
img = cv2.imread(img_path)
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
img = cv2.resize(img,(192,192))
img = np.expand_dims(img,axis=0)
img = (img/255.0-0.5)*2.0
return img_path,img
def load_label():
label=['其他']
with open('label.txt','r',encoding='utf-8') as r:
lines = r.readlines()
for l in lines:
l = l.strip()
arr = l.split(',')
label.append(arr[1])
return label
inputs=tf.placeholder(dtype=tf.float32,shape=(1,192,192,3))
classes_tf,scores_tf = build_model(inputs)
images_path =[dir_path+'/'+n for n in os.listdir(dir_path)]
label=load_label()
with tf.Session() as sess:
load_model(sess)
for i in range(len(images_path)):
path,img = get_data(images_path,i)
classes,scores = sess.run([classes_tf,scores_tf],feed_dict={inputs:img})
print('\n识别',path,'结果如下：')
for j in range(3):#top 3
idx = classes[0][j]
score=scores[0][j]
print('\tNo.',j,'类别:',label[idx],'概率:',score)