Python中如何实现图像识别，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
我们提供的服务有：成都网站设计、网站建设、外贸网站建设、微信公众号开发、网站优化、网站认证、崇信ssl等。为数千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的崇信网站制作公司
（如果您已经安装了Python 3.5.1或更高版本，请跳过本节）
https://www.python.org/downloads/
- Tensorflow
pip3 install --upgrade tensorflow
- Numpy
pip3 install numpy
- SciPy
pip3 install scipy
- OpenCV
pip3 install opencv-python
- Matplotlib
pip3 install matplotlib
- h6py
pip3 install h6py
- Keras
pip3 install keras
pip3 install https://github.com/OlafenwaMoses/ImageAI/raw/master/dist/imageai-1.0.2-py3-none-any.whl
https://github.com/fchollet/deep-learning-models/releases/download/v0.2/resnet50_weights_tf_dim_ordering_tf_kernels.h6
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.h6") 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
现在让我们分解代码，以便了解它是如何工作的。上面的代码工作如下：
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（）
上面的代码创建一个变量，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.h6”）
在上面的代码中，我们在***行创建了一个ImagePrediction（）类的实例，然后通过在第二行中调用.setModelTypeAsResNet（），将预测对象的模型类型设置为ResNet ，然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.h6）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，我们定义了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，我们在其中解析了图像的路径，并且还指出了我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***（2级阵列的对象的预测）是预测和所述第二（阵列percentage_probabilities）是相应的百分比概率为每个预测的阵列。
for index in range(len(predictions)): print(predictions[index] + " : " + percentage_probabilities[index])
上述行获取中的每个对象的预测阵列，并且还获得从相应百分比概率percentage_probabilities，***打印二者的结果到控制台。
该 .predictImage（）函数将在路径中的图像，也可以说明我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，并按其概率排列。
借助ImageAI，您可以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库支持其他算法和模型类型，其中一些针对速度进行了优化，另一些针对精度进行了优化。借助ImageAI，我们希望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。
关于Python中如何实现图像识别问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。