标签:增强 读取 卷积 模型 个数 调用函数 神经网络 图片 预测
1、模型增强
数据增强在这里与之前相比换了一种方法
原因是'Sequential' 里没有 'flow',找了一段时间也没有找到解决方法,便把数据增强的方法换成了ImageDataGenerator
ImageDataGenerator实例:通过读取的图片执行多次随即变换实现数据增强。
显示几个随机增强后的训练图像
图像显示:
2、模型预测
传入模型和图片
遍历文件夹所有数据,返回所有文件的绝对路径列表
调用函数进行模型的读取以及图片的预测
通常使用 model.predict( ) 函数进行预测。
预测结果展示:
g
多个不同数量盘子的图片进行预测
之前读取的图片是处理过的图片,“数据采集/dish/5”文价夹里的图片都是五个盘子,为了测试更准确,便把路径改为刚通过爬虫获取到的图片,用多个不同数量盘子的图片进行预测
调用函数进行模型的读取以及图片的预测
预测结果展示:
标签:增强,读取,卷积,模型,个数,调用函数,神经网络,图片,预测 来源: https://www.cnblogs.com/ywyc/p/16487726.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。