随着深度学习算法的兴起和普及，人工智能领域取得了使人瞩目的进步，特别是在计算机视觉领域。21世纪的第二个十年迅速采用卷积神经网络，发明了最早进的算法，大量训练数据的可用性以及高性能和高性价比计算的发明。计算机视觉中的一个关键概念是图像分类; 这是软件系统正确标记图像中主导对象的能力。python

ImageAI是一个Python库，旨在帮助开发人员构建具备自包含计算机视觉功能的应用程序和系统。git

1. 安装Python 3.5.1或更高版本和pip

（若是您已经安装了Python 3.5.1或更高版本，请跳过本节）github

https://www.python.org/downloads/算法

2. 安装ImageAI依赖项

- Tensorflow网络

pip3 install --upgrade tensorflow函数

- Numpy性能

pip3 install numpy学习

- SciPy优化

pip3 install scipy网站

- OpenCV

pip3 install opencv-python

- Matplotlib

pip3 install matplotlib

- h5py

pip3 install h5py

- Keras

pip3 install keras

3. 安装ImageAI库

pip3 install https://github.com/OlafenwaMoses/ImageAI/raw/master/dist/imageai-1.0.2-py3-none-any.whl

4. 下载通过ImageNet-1000数据集训练的ResNet Model文件，并将文件复制到您的python项目文件夹。

https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h5

5. 建立一个名称为python的文件（例如“FirstPrediction.py”），并将下面的代码写入其中。

from imageai.Prediction import ImagePrediction

import os

execution_path = os.getcwd()

prediction = ImagePrediction()

prediction.setModelTypeAsResNet()

prediction.setModelPath( execution_path + " esnet50_weights_tf_dim_ordering_tf_kernels.h5")

prediction.loadModel()

predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)

for index in range(len(predictions)):

print(predictions[index] + " : " + percentage_probabilities[index])

sample.jpg

代码结果：

sports_car : 90.61029553413391

car_wheel : 5.9294357895851135

racer : 0.9972884319722652

convertible : 0.8457873947918415

grille : 0.581052340567112

代码说明

如今让咱们分解代码，以便了解它是如何工做的。上面的代码工做以下：

from imageai.Prediction import ImagePrediction

import os

上面的代码导入了ImageAI ImagePrediction类和python os类。

execution_path = os.getcwd（）

上面的代码建立一个变量，它保存对包含python文件（在本例中为FirstPrediction.py）和ResNet模型文件的路径的引用。

prediction = ImagePrediction（）

prediction.setModelTypeAsResNet（）

prediction.setModelPath（execution_path +“ resnet50_weights_tf_dim_ordering_tf_kernels.h5”）

在上面的代码中，咱们在第一行建立了一个ImagePrediction（）类的实例，而后经过在第二行中调用.setModelTypeAsResNet（），将预测对象的模型类型设置为ResNet ，而后设置模型路径将预测对象复制到模型文件（resnet50_weights_tf_dim_ordering_tf_kernels.h5）的路径中，并将其复制到第三行的项目文件夹文件夹中。

predictions, percentage_probabilities = prediction.predictImage("C:UsersMyUserDownloadssample.jpg", result_count=5)

在上面的行中，咱们定义了2个变量，它等于被调用来预测图像的函数，这个函数是 .predictImage（）函数，咱们在其中解析了图像的路径，而且还指出了咱们想要的预测结果的数量有（从1到1000的值）解析result_count = 5 。所述 .predictImage（）函数将返回与所述第一（2级阵列的对象的预测）是预测和所述第二（阵列percentage_probabilities）是相应的百分比几率为每一个预测的阵列。

for index in range(len(predictions)):

print(predictions[index] + " : " + percentage_probabilities[index])

上述行获取中的每一个对象的预测阵列，而且还得到从相应百分比几率percentage_probabilities，最后打印两者的结果到控制台。

该 .predictImage（）函数将在路径中的图像，也能够说明咱们预计函数返回预测的数量（可选，默认为5）。ImageNet-1000数据集中有1000个项目，ResNet模型在该数据集上进行了训练，这意味着 .predictImage函数将返回1000个可能的预测值，并按其几率排列。

借助ImageAI，您能够轻松方便地将图像预测代码集成到您在python中构建的任何应用程序，网站或系统中。ImageAI库支持其余算法和模型类型，其中一些针对速度进行了优化，另外一些针对精度进行了优化。借助ImageAI，咱们但愿支持计算机视觉的更多专业方面，包括但不限于特殊环境和特殊领域的图像识别以及自定义图像预测