获取Keras中VGG-16所有已知类的列表

Question

我使用了Keras中预训练的VGG-16模型。

到目前为止，我的工作源代码如下：

from keras.applications.vgg16 import VGG16
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.applications.vgg16 import preprocess_input
from keras.applications.vgg16 import decode_predictions

model = VGG16()

print(model.summary())

image = load_img('./pictures/door.jpg', target_size=(224, 224))
image = img_to_array(image)  #output Numpy-array

image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))

image = preprocess_input(image)
yhat = model.predict(image)

label = decode_predictions(yhat)
label = label[0][0]

print('%s (%.2f%%)' % (label[1], label[2]*100))

我发现这个模型是在1000类上训练的。有没有可能获取这个模型所训练的类别列表？打印出所有的预测标签并不可行，因为只返回了5个。

先行致谢。

- Jürgen K.

Answer 1

你可以使用decode_predictions函数并在top参数中传递类的总数top=1000（只有默认值为5）。

或者你可以看看Keras内部是如何实现的：它会下载文件imagenet_class_index.json（通常将其缓存到~/.keras/models/中）。这是一个简单的json文件，包含了所有的类标签。

- YSelf

---

知道如何做是很好的，但如果有一个 jupyter notebook 的链接来展示已完成的操作，那就更好了。 - wordsforthewise

@YSelf。谢谢。我发现这是在R中运行Keras时列出所有类标签最简单的方法。 - R.S.

嘿！我正在使用Google Colab编写我的代码，但是当我输入model.decode_classifications(predictions, top = 1000)时，它显示“AttributeError: 'Model' object has no attribute 'decode_predictions'”。 prediction = model.predict(img) model.decode_predictions(predictions, top = 1000) - TheSHETTY-Paradise

Answer 2

我认为如果您像这样做：

我认为如果您这样做：

vgg16 = keras.applications.vgg16.VGG16(include_top=True,
                               weights='imagenet',
                               input_tensor=None,
                               input_shape=None,
                               pooling=None,
                               classes=1000)

vgg16.decode_predictions(np.arange(1000), top=1000)

将您的预测数组替换为np.arange(1000)。目前代码未经测试。

这里是训练标签的链接，我想：http://image-net.org/challenges/LSVRC/2014/browse-synsets

- wordsforthewise

Answer 3

如果您稍微编辑一下代码，就可以获得所提供示例的所有顶级预测列表。Tensorflow的decode_predictions返回一个列表类预测元组的列表。因此，首先将top = 1000参数添加到label = decode_predictions(yhat, top=1000)中，正如@YSelf建议的那样。然后将label = label[0][0]更改为label = label[0][:]以选择所有预测。标签将看起来像这样：

[('n04252225', 'snowplow', 0.4144803),
('n03796401', 'moving_van', 0.09205707),
('n04461696', 'tow_truck', 0.08912289),
('n03930630', 'pickup', 0.07173037),
('n04467665', 'trailer_truck', 0.048759833),
('n02930766', 'cab', 0.043586567),
('n04037443', 'racer', 0.036957625),....)]

从这里开始，您需要进行元组解包。如果您只想获取1000个类的列表，您可以调用[y for (x,y,z) in label]，然后您将获得所有1000个类的列表。输出将如下所示：

['snowplow',
'moving_van',
'tow_truck',
'pickup',
'trailer_truck',
'cab',
'racer',....]

- osmancakirio

Answer 4

这一行代码将打印出所有类别名称和索引：

decode_predictions(np.expand_dims(np.arange(1000), 0), top=1000)

- Albert G Lieu