使用 googlenet 对图像进行分类 -凯发k8网页登录

加载预训练网络

加载预训练的 googlenet 网络。此步骤需要 deep learning toolbox™ model for googlenet network 支持包。如果没有安装所需的支持包，软件会提供下载链接。

您还可以选择加载不同的预训练网络进行图像分类。要尝试不同的预训练网络，请在 matlab® 中打开此示例并选择其他网络。例如，您可以尝试 squeezenet，这是一个比 googlenet 还要快的网络。您可以使用其他预训练网络运行此示例。有关所有可用网络的列表，请参阅加载预训练的神经网络。

net = googlenet;

要分类的图像的大小必须与网络的输入大小相同。对于 googlenet，网络的 layers 属性的第一个元素是图像输入层。网络输入大小是图像输入层的 inputsize 属性。

inputsize = net.layers(1).inputsize

inputsize = 1×3
   224   224     3

layers 属性的最后一个元素是分类输出层。该层的 classnames 属性包含网络学习的类的名称。查看总共 1000 个类名称中的 10 个随机类名称。

classnames = net.layers(end).classnames;
numclasses = numel(classnames);
disp(classnames(randperm(numclasses,10)))

    'papillon'
    'eggnog'
    'jackfruit'
    'castle'
    'sleeping bag'
    'redshank'
    'band aid'
    'wok'
    'seat belt'
    'orange'

读取图像并调整图像大小

读取并显示要分类的图像。

i = imread('peppers.png');
figure
imshow(i)

显示图像的大小。图像为 384×512 像素，并且具有三个颜色通道 (rgb)。

size(i)

ans = 1×3
   384   512     3

使用 imresize 将图像大小调整为网络的输入大小。调整大小会略微更改图像的纵横比。

i = imresize(i,inputsize(1:2));
figure
imshow(i)

根据您的应用，您可能希望以不同方式调整图像大小。例如，您可以使用 i(1:inputsize(1),1:inputsize(2),:) 剪去图像的左上角。如果您有 image processing toolbox™，则可以使用 imcrop 函数。

对图像进行分类

使用 classify 对图像进行分类并计算类概率。网络正确地将图像分类为甜椒。用于分类的网络训练为针对每个输入图像输出单个标签，即使图像包含多个对象时也是如此。

[label,scores] = classify(net,i);
label

label = categorical
     bell pepper 

显示图像及预测的标签，以及具有该标签的图像的预测概率。

figure
imshow(i)
title(string(label)   ", "   num2str(100*scores(classnames == label),3)   "%");

显示排名靠前的预测值

显示排名前五的预测标签，并以直方图形式显示它们的相关概率。由于网络将图像分类为如此多的对象类别，并且许多类别是相似的，因此在评估网络时通常会考虑准确度排名前五的几个类别。网络以高概率将图像分类为甜椒。

[~,idx] = sort(scores,'descend');
idx = idx(5:-1:1);
classnamestop = net.layers(end).classnames(idx);
scorestop = scores(idx);
figure
barh(scorestop)
xlim([0 1])
title('top 5 predictions')
xlabel('probability')
yticklabels(classnamestop)