使用VGG16模型测试图片识别，基于CNN卷积神经网络

首先网上找了7张图

打算对这7张图片进行识别，直接上代码：

from tensorflow.keras import applications
#decode_predictions 对预测结果进行处理，解码
from tensorflow.keras.applications.vgg16 import decode_predictions
#preprocess_input处理输入图片
from tensorflow.keras.applications.vgg16 import preprocess_input
from tensorflow import keras

from tensorflow.keras.preprocessing.image import img_to_array
from tensorflow.keras.preprocessing.image import load_img

#VGG 图片输入大小要求 224*224*3
#VGG 有1.4亿个参数

#获取已训练好的模型
def predict(my_model,images):
    y_lables = []
    for image in images:
        y_predictions = my_model.predict(image)
        # print(y_predictions)
        y_lable = decode_predictions(y_predictions)
        y_lables.append(y_lable)

    return y_lables

#图片读取处理
def load_img1(files_path):
    images=[]
    #加载图片
    for path in files_path:
        image = load_img(path, target_size=(224,224))
        #图片进行数组转换
        image = img_to_array(image)
        print('-----')
        print(image.shape)
        #形状修改,输入到卷积需要四维[1,224,224,3],1代表batch,如果多张图片就使用多张
        image = image.reshape(1, image.shape[0], image.shape[1], image.shape[2])
        print(image.shape)
        # print(image)
        #对图片进行归一化处理
        images.append(preprocess_input(image))
    return images


#输入到模型进行预测

if __name__ == '__main__':
    import os
    #获取当前路径
    path = os.getcwd()
    files=os.listdir(os.path.join(path,"tiger"))
    file_count = len(files)
    print(file_count)
    files_path=[]
    for i in range(file_count):
        print(i)
        files_path.append(os.path.join(path,'tiger',files[i]))

    print(files_path)
    my_model = applications.vgg16.VGG16()
    images = load_img1(files_path)
    print('123')
    y_predicts = predict(my_model,images)
    for y_predict in y_predicts:
        print('预测结果是 %s,预测概率为 %.2f'%(y_predict[0][0][1],y_predict[0][0][2]*100),"%")

 图片识别结果：非常完美，全部识别正确，而且狗的分类很详细

预测结果是 tiger,预测概率为 71.90 %
预测结果是 tiger,预测概率为 60.39 %
预测结果是 tabby,预测概率为 33.14 %
预测结果是 tabby,预测概率为 8.50 %
预测结果是 English_foxhound,预测概率为 61.34 %
预测结果是 Afghan_hound,预测概率为 51.58 %
预测结果是 Labrador_retriever,预测概率为 40.17 %

文件结构：