Comment prédire l'image d'entrée en utilisant le modèle formé dans Keras?

si quelqu'un a encore du mal à faire des prédictions sur des images, voici le code optimisé pour charger le modèle enregistré et faire des prédictions:

# Modify 'test1.jpg' and 'test2.jpg' to the images you want to predict on

from keras.models import load_model
from keras.preprocessing import image
import numpy as np

# dimensions of our images
img_width, img_height = 320, 240

# load the model we saved
model = load_model('model.h5')
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# predicting images
img = image.load_img('test1.jpg', target_size=(img_width, img_height))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)

images = np.vstack([x])
classes = model.predict_classes(images, batch_size=10)
print classes

# predicting multiple images at once
img = image.load_img('test2.jpg', target_size=(img_width, img_height))
y = image.img_to_array(img)
y = np.expand_dims(y, axis=0)

# pass the list of multiple images np.vstack()
images = np.vstack([x, y])
classes = model.predict_classes(images, batch_size=10)

# print the classes, the images belong to
print classes
print classes[0]
print classes[0][0]

Vous pouvez utiliser model.predict() pour prédire la classe d'une seule image comme suit [doc]:

# load_model_sample.py
from keras.models import load_model
from keras.preprocessing import image
import matplotlib.pyplot as plt
import numpy as np
import os


def load_image(img_path, show=False):

    img = image.load_img(img_path, target_size=(150, 150))
    img_tensor = image.img_to_array(img)                    # (height, width, channels)
    img_tensor = np.expand_dims(img_tensor, axis=0)         # (1, height, width, channels), add a dimension because the model expects this shape: (batch_size, height, width, channels)
    img_tensor /= 255.                                      # imshow expects values in the range [0, 1]

    if show:
        plt.imshow(img_tensor[0])                           
        plt.axis('off')
        plt.show()

    return img_tensor


if __name__ == "__main__":

    # load model
    model = load_model("model_aug.h5")

    # image path
    img_path = '/media/data/dogscats/test1/3867.jpg'    # dog
    #img_path = '/media/data/dogscats/test1/19.jpg'      # cat

    # load a single image
    new_image = load_image(img_path)

    # check prediction
    pred = model.predict(new_image)

dans cet exemple, une image est chargée comme un numpy array avec la forme (1, height, width, channels). Ensuite, nous le chargeons dans le modèle et prédisons sa classe, retournée comme valeur réelle dans la gamme [0, 1] (classification binaire dans cet exemple).

c'est parce que vous obtenez la valeur numérique associée à la classe. Par exemple, si vous avez deux classes de chats et de chiens, Keras les associera aux valeurs numériques 0 et 1. Pour obtenir la correspondance entre les classes et leur valeur numérique associée, vous pouvez utiliser

>>> classes = train_generator.class_indices    
>>> print(classes)
    {'cats': 0, 'dogs': 1}

Maintenant vous connaissez le mappage entre vos classes et vos indices. Alors maintenant ce que vous pouvez faire est

if classes[0][0] == 1: prediction = 'dog' else: prediction = 'cat'

transmettre l'exemple par @ritiek, je suis aussi un débutant en ML, peut-être que ce type de formatage aidera à voir le nom au lieu du numéro de classe.

images = np.vstack([x, y])

prediction = model.predict(images)

print(prediction)

i = 1

for things in prediction:  
    if(things == 0):
        print('%d.It is cancer'%(i))
    else:
        print('%d.Not cancer'%(i))
    i = i + 1