Задача классификации является одним из основных проблем в машинном обучении. Компьютерное зрение является важным аспектом задачи классификации, в которой объекты, распознаваемые компьютером, могут быть классифицированы на конкретные категории. Реализация компьютерного зрения может быть сложной, такой как обучение модели для выполнения точного прогнозирования на объекте. Обучение модели для точного распознавания конкретного объекта может быть задач, и она становится больше задач для реализации модели компьютерного видения, которая сможет классифицировать разницу между одним объектом и другим.
Orangelib:
Orangelib Создана простая библиотека для облегчения реализации компьютерного зрения в реальных проблемах. Это библиотека для классификации трех категорий фруктов:
– Спелые и незрелые апельсины – Спелые и незрелые бананы – Зеленые и красные яблоки
Мы можем легко классифицировать эти три категории фруктов, используя несколько строк кода.
Установите OrangeLib с:
Пип Установите OrangeLib
Классификация апельсинов с orangelib
Библиотека Orangelib может легко классифицировать спелые и незрелые апельсины с использованием нескольких строк кода.
Код для прогнозирования одного изображения
from orangelib.model import OrangeClassifier
classifier = OrangeClassifier("orange_model.h5")
fruit_name, prediction_confidence = classifier.predict("path_to_image")
print("Fruit Name: ", fruit_name)
print("Prediction Confidence: ", prediction_confidence)
Давайте посмотрим на каждую строку кода:
from orangelib.model import OrangeClassifier
Класс OrangeClassifier Импортируется из Orangelib для классификации спелых и незрелых апельсинов.
classifier = OrangeClassifier("orange_model.h5")
Мы загружаем обученную модель для выполнения прогнозов на изображениях. Обученная модель может быть загружена как выпуск из Github Отказ
fruit_name, prediction_confidence = classifier.predict("path_to_image")
Путь к изображению, который будет предсказан, загружен.
print("Fruit Name: ", fruit_name)
print("Prediction Confidence: ", prediction_confidence)
Мы распечатаем название фруктов и уровень доверия прогнозирования.
Мы будем выполнять прогнозы на некоторых изображениях, используя класс OrangeClassifier Отказ
образец1.
Мы намерены классифицировать это изображение выше.
from orangelib.model import OrangeClassifier
classifier = OrangeClassifier("orange_model.h5")
fruit_name, prediction_confidence = classifier.predict("sample1.jpg")
print("Fruit Name: ", fruit_name)
print("Prediction Confidence: ", prediction_confidence)
Вывод1.
Fruit Name: ripe orange Prediction Confidence: 99.45345
Название фруктов и уровень доверия к прогнозе печатается. Он способен определять, что апельсин созрел с высоким доверием прогнозирования более 99%.
Образец2.
fruit_name, confidence = classifier.predict("sample2.jpg")
Выход2:
Fruit Name: unripe orange Prediction Confidence: 99.92031
Он успешно предсказывал изображение как незрелый апельсин с доверием прогнозирования более 99%.
Реализация нескольких предсказаний на изображениях с OrangeClassifier:
Образец3.
Возможно, нам не нужно подчеркивать себя прогнозировать одно изображение одновременно, особенно когда нам нужно предсказать много изображений. Представьте, что мы хотим предсказать около трех изображений одновременно.
Мы используем этот код ниже для нескольких прогнозов.
from orangelib.model import OrangeClassifier
classifier = OrangeClassifier("orange_model.h5")
fruit_names_list, confidence_list = classifier.predictBatch(["sample1.jpg","sample2.jpg","sample3.jpg"])
for fruit_names, confidence in zip(fruit_names_list,confidence_list):
print("Fruit Name: ",fruit_name)
print("Prediction Confidence: ", confidence)
Мы импортируем в класс OrangeClassifier и загрузите тренажер_модель на апельсины.
Основные различия:
fruit_names_list, confidence_list = classifier.predictBatch(["sample1.jpg","sample2.jpg","sample3.jpg"])
Мы выполняем прогнозы на массиве изображений, используя Функция предсказания Отказ
Примечание: Нет ограничений на количество изображений, которые могут быть предсказаны с Функция предсказания Отказ
for fruit_names, confidence in zip(fruit_names_list,confidence_list):
print("Fruit Name: ",fruit_name)
print("Prediction Confidence: ", confidence)
Мы зацикливаемся через массив результатов предсказаний на изображениях, распечатайте имя и доверие прогнозирования для каждого из изображений.
Выходы для изображений:
Fruit Name: ripe orange Prediction Confidence: 99.45345 Fruit Name: unripe orange Prediction Confidence: 99.92031 Fruit Name: ripe orange Prediction Confidence: 99.99149
Он достиг точных прогнозов на трех изображениях. Он был в состоянии произвести те же результаты, которые мы получили для образец1 и образец2, когда прогнозируются индивидуально.
Прогноз реализации на одном изображении с бананаклассификатором:
Бананассификатор класса используется для классификации созревших и незрелых бананов.
Образец4.jpg.
Мы намерены предсказать такие фрукты на этом изображении выше.
from orangelib.model import BananaClassifier
classifier = BananaClassifier("banana_model.h5")
fruit_name, prediction_confidence = classifier.predict("sample4.jpg")
print("Fruit Name: ", fruit_name)
print("Prediction Confidence: ", prediction_confidence)
from orangelib.model import BananaClassifier
Класс Бананаклассификатор импортируется из Оранангелиба.
classifier = BananaClassifier("banana_model.h5")
Мы используем обученную модель на бананах. Модель для прогнозирования бананов можно скачать как выпуск из Github Отказ
Выход4:
Fruit Name: ripe banana Prediction Confidence: 99.99490
Он успешно предсказывал фрукты в качестве зрелого банана с доверием прогнозирования более 99%.
Образец5
fruit_name, confidence = classifier.predict("sample5.jpg")
Выход5:
Fruit Name: unripe banana Prediction Confidence: 99.99994
Он успешно предсказывал изображение незрелого банана с доверием прогнозирования более 99%.
Реализация нескольких предсказаний на изображениях с бананаклассификатором:
Образец6.
from orangelib.model import BananaClassifier
classifier = BananaClassifier("banana_model.h5")
fruit_names_list, confidence_list = classifier.predictBatch(["sample4.jpg","sample5.jpg","sample6.jpg"])
for fruit_names, confidence in zip(fruit_names_list,confidence_list):
print("Fruit Name: ",fruit_names)
print("Prediction Confidence: ", confidence)
Мы импортируем в класс бананаклассификатора и загружаем тренажер_модель на бананы.
fruit_names_list, confidence_list = classifier.predictBatch(["sample4.jpg","sample5.jpg","sample6.jpg"])
Мы выполняем прогнозы на массиве изображений, используя Функция предсказания.
for fruit_names, confidence in zip(fruit_names_list,confidence_list):
print("Fruit Name: ",fruit_names)
print("Prediction Confidence: ", confidence)
Мы зацикливаемся через массив результатов предсказаний на изображениях, распечатайте имя и доверие прогнозирования для каждого из изображений.
Выходы для изображений:
Fruit Name: ripe banana Prediction Confidence: 99.99490 Fruit Name: unripe banana Prediction Confidence: 99.99994 Fruit Name: ripe banana Prediction Confidence: 99.99983
Он достиг точных прогнозов на трех изображениях. Он был в состоянии произвести те же результаты, которые мы получили для образцов5 и образец6, когда прогнозируются индивидуально.
Реализация прогнозирования на одном изображении с AppleEclassifier:
Класс AppleEclassifier используется для классификации зеленых и красных яблок.
Образец7.
from orangelib.model import AppleClassifier
classifier = AppleClassifier("apple_model.h5")
fruit_name, prediction_confidence = classifier.predict("sample7.jpg")
print("Fruit Name: ", fruit_name)
print("Prediction Confidence: ", prediction_confidence)
from orangelib.model import AppleClassifier
Класс AppleEclassifier импортируется из OrangeLib.
classifier = AppleClassifier("apple_model.h5")
Мы используем обученную модель на яблоках. Модель для прогнозирования яблок можно загрузить как выпуск из Github Отказ
Выход7:
Fruit Name: green apple Prediction Confidence: 99.94303
Он успешно предсказал образец7 в качестве зеленого яблока с более чем 99% доверие прогнозирования.
Образец8.
fruit_name, confidence = classifier.predict("sample8.jpg")
Выход8:
Fruit Name: red apple Prediction Confidence: 100.0
Ух ты! Успешно обнаружил образец8 в качестве красного яблока с точностью 100%.
Образец9
Реализация нескольких прогнозов на изображениях с AppleEclassifier:
from orangelib.model import AppleClassifier
classifier = AppleClassifier("apple_model.h5")
#predict an array of images
fruit_names_list, confidence_list = classifier.predictBatch(["sample7.jpg","sample8.jpg","sample9.jpg"])
#loop over the array of results for each predictions
for fruit_names, confidence in zip(fruit_names_list,confidence_list):
print("Fruit Name: ",fruit_names)
print("Prediction Confidence: ", confidence)
Мы импортируем в класс AppleEclaSsifier и загрузите Truced_Model на яблоки.
fruit_names_list, confidence_list = classifier.predictBatch(["sample7.jpg","sample8.jpg","sample9.jpg"])
Мы выполняем прогнозы на массиве изображений, используя Функция предсказания.
for fruit_names, confidence in zip(fruit_names_list,confidence_list):
print("Fruit Name: ",fruit_name)
print("Prediction Confidence: ", confidence)
Мы зацикливаемся через массив результатов предсказаний на изображениях, распечатайте имя и доверие прогнозирования для каждого из изображений.
Выходы прогнозов:
Fruit Name: green apple Prediction Confidence: 99.94303 Fruit Name: red apple Prediction Confidence: 100.0 Fruit Name: green apple Prediction Confidence: 99.21522
Он достиг точных прогнозов на трех изображениях. Он был в состоянии произвести те же результаты, которые мы получили для образца7 и образец8, когда прогнозируются индивидуально.
Отлично 👍 Результаты! Со всеми классификаторами фруктов доступны в Ораншлиб.
Установите OrangeLib и проверить его как можно больше изображений апельсинов, бананов и яблок, сколько вы желаете.
Посетите официальный Github Repository Orangelib Отказ
Оригинал: “https://dev.to/ayoolaolafenwa/fruits-classification-with-orangelib-482”