介紹你是否曾經(jīng)偶然發(fā)現(xiàn)一個(gè)數(shù)據(jù)集或圖像，并想知道是否可以創(chuàng)建一個(gè)能夠區(qū)分或識(shí)別圖像的系統(tǒng)？圖像分類(lèi)的概念將幫助我們解決這個(gè)問(wèn)題。圖像分類(lèi)是計(jì)算機(jī)視覺(jué)最熱門(mén)的應(yīng)用之一，是任何想在這個(gè)領(lǐng)域工作的人都必須知道的概念。

在本文中，我們將看到一個(gè)非常簡(jiǎn)單但使用頻率很高的應(yīng)用程序，那就是圖像分類(lèi)。我們不僅將看到如何使一個(gè)簡(jiǎn)單和有效的模型分類(lèi)數(shù)據(jù)，而且還將學(xué)習(xí)如何實(shí)現(xiàn)一個(gè)預(yù)先訓(xùn)練的模型，并比較兩者的性能。在本文結(jié)束時(shí)，你將能夠找到自己的數(shù)據(jù)集并輕松實(shí)現(xiàn)圖像分類(lèi)。先決條件：Python編程Keras及其模塊基本了解圖像分類(lèi)卷積神經(jīng)網(wǎng)絡(luò)及其實(shí)現(xiàn)遷移學(xué)習(xí)的基本認(rèn)識(shí)聽(tīng)起來(lái)有趣嗎？準(zhǔn)備創(chuàng)建你自己的圖像分類(lèi)器吧！目錄圖像分類(lèi)理解問(wèn)題陳述設(shè)置圖像數(shù)據(jù)讓我們構(gòu)建我們的圖像分類(lèi)模型數(shù)據(jù)預(yù)處理數(shù)據(jù)擴(kuò)充模型定義和訓(xùn)練評(píng)估結(jié)果遷移學(xué)習(xí)的藝術(shù)導(dǎo)入基礎(chǔ)MobileNetV2模型微調(diào)訓(xùn)練評(píng)估結(jié)果下一步是什么？什么是圖像分類(lèi)？圖像分類(lèi)是分配輸入圖像（一組固定類(lèi)別中的一個(gè)標(biāo)簽）的任務(wù)。這是計(jì)算機(jī)視覺(jué)的核心問(wèn)題之一，盡管它很簡(jiǎn)單，卻有各種各樣的實(shí)際應(yīng)用。讓我們舉個(gè)例子來(lái)更好地理解。當(dāng)我們進(jìn)行圖像分類(lèi)時(shí)，我們的系統(tǒng)將接收?qǐng)D像作為輸入，例如，一只貓。現(xiàn)在，系統(tǒng)將已知一組類(lèi)別，它的目標(biāo)是為圖像分配一個(gè)類(lèi)別。這個(gè)問(wèn)題似乎很簡(jiǎn)單，但對(duì)于計(jì)算機(jī)來(lái)說(shuō)卻是一個(gè)很難解決的問(wèn)題。你可能知道，電腦看到的是一組數(shù)字，而不是我們看到的貓的圖像。圖像是由0到255的整數(shù)組成的三維數(shù)組，大小為寬x高x 3。3代表紅色、綠色、藍(lán)色三個(gè)顏色通道。那么我們的系統(tǒng)如何學(xué)習(xí)識(shí)別這幅圖像呢？通過(guò)卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的一種，是圖像識(shí)別領(lǐng)域的巨大突破。到目前為止，你可能已經(jīng)對(duì)CNN有了一個(gè)基本的了解，我們知道CNN由卷積層、Relu層、池化層和全連接層組成。

要閱讀關(guān)于圖像分類(lèi)和CNN的詳細(xì)信息，你可以查看以下資源：https：／／www．a(chǎn)nalyticsvidhya．com／blog／2020／02／learn－image－classification－cnn－convolutional－neural－networks－3－datasets／

https：／／www．a(chǎn)nalyticsvidhya．com／blog／2019／01／build－image－classification－model－10－minutes／

現(xiàn)在我們已經(jīng)理解了這些概念，讓我們深入了解如何構(gòu)建和實(shí)現(xiàn)圖像分類(lèi)模型。理解問(wèn)題陳述考慮下面的圖像：

一個(gè)精通體育運(yùn)動(dòng)的人可以認(rèn)出橄欖球的形象。圖像的不同方面可以幫助你識(shí)別它是橄欖球，它可以是球的形狀或球員的服裝。但你有沒(méi)有注意到，這張照片很可能是一個(gè)足球形象？讓我們考慮另一張圖片：

你認(rèn)為這個(gè)圖像代表什么？很難猜對(duì)吧？對(duì)于沒(méi)有受過(guò)訓(xùn)練的人來(lái)說(shuō)，這幅圖像很容易被誤認(rèn)為是足球，但實(shí)際上，這是橄欖球的圖像，因?yàn)槲覀兛梢钥吹胶竺娴那蜷T(mén)柱不是網(wǎng)，而且尺寸更大�，F(xiàn)在的問(wèn)題是，我們能否建立一個(gè)能夠正確分類(lèi)圖像的系統(tǒng)。這就是我們項(xiàng)目背后的想法，我們想要建立一個(gè)系統(tǒng)能夠識(shí)別圖像中所代表的運(yùn)動(dòng)。這里分為橄欖球和足球兩大類(lèi)。問(wèn)題陳述可能有點(diǎn)棘手，因?yàn)轶w育運(yùn)動(dòng)有很多共同的方面，盡管如此，我們將學(xué)習(xí)如何解決問(wèn)題，并創(chuàng)建一個(gè)良好的表現(xiàn)系統(tǒng)。設(shè)置我們的圖像數(shù)據(jù)由于我們正在處理一個(gè)圖像分類(lèi)問(wèn)題，我使用了兩個(gè)最大的圖像數(shù)據(jù)源，即ImageNet和谷歌OpenImages。我實(shí)現(xiàn)了兩個(gè)python腳本，我們可以輕松地下載圖像。一共下載了3058張圖片，分為train和test兩部分。我用訓(xùn)練文件夾有2448張圖片，測(cè)試文件夾有610張圖片，進(jìn)行了80－20的分割。橄欖球和足球兩個(gè)類(lèi)別各有1224張圖片。我們的數(shù)據(jù)結(jié)構(gòu)如下：輸入 3058橄欖球 － 310足球 － 310橄欖球 － 1224足球 － 1224訓(xùn)練 － 2048測(cè)試 －  610我們來(lái)建立我們的圖像分類(lèi)模型！步驟1： 導(dǎo)入所需的庫(kù)這里，我們將使用Keras庫(kù)來(lái)創(chuàng)建模型并對(duì)其進(jìn)行訓(xùn)練。我們還使用Matplotlib和Seaborn來(lái)可視化我們的數(shù)據(jù)集，以便更好地理解我們將要處理的圖像。另一個(gè)處理圖像數(shù)據(jù)的重要庫(kù)是Opencv。import matplotlib．pyplot as plt
import seaborn as sns
import keras
from keras．models import Sequential
from keras．layers import Dense， Conv2D ， MaxPool2D ， Flatten ， Dropout
from keras．preprocessing．image import ImageDataGenerator
from keras．optimizers import Adam
from sklearn．metrics import classification＿report，confusion＿matrix
import tensorflow as tf
import cv2
import os
import numpy as np
步驟2： 加載數(shù)據(jù)接下來(lái)，讓我們定義數(shù)據(jù)的路徑。讓我們定義一個(gè)名為get＿data（）的函數(shù)，它使我們更容易創(chuàng)建我們的訓(xùn)練和驗(yàn)證數(shù)據(jù)集。我們定義了我們將要使用的兩個(gè)標(biāo)簽“Rugby”和“Soccer”。我們使用Opencv imread函數(shù)讀取RGB格式的圖像，并將圖像大小調(diào)整到我們想要的寬度和高度（在本例中都是224）。labels ＝ ［＇rugby＇， ＇soccer＇］
img＿size ＝ 224
def get＿data（data＿dir）：
   data ＝ ［］
   for label in labels：
       path ＝ os．path．join（data＿dir， label）
       class＿num ＝ labels．index（label）
       for img in os．listdir（path）：
           try：
               img＿arr ＝ cv2．imread（os．path．join（path， img））［．．．，：：－1］ ＃convert BGR to RGB format
               resized＿arr ＝ cv2．resize（img＿arr， （img＿size， img＿size）） ＃ Reshaping images to preferred size
               data．a(chǎn)ppend（［resized＿arr， class＿num］）
           except Exception as e：
               print（e）
   return np．a(chǎn)rray（data）
Now we can easily fetch our train and validation data．
train ＝ get＿data（＇．．／input／traintestsports／Main／train＇）
val ＝ get＿data（＇．．／input／traintestsports／Main／test＇）
步驟3： 可視化數(shù)據(jù)讓我們可視化我們的數(shù)據(jù)，看看我們到底在使用什么。我們使用seaborn來(lái)繪制這兩個(gè)類(lèi)中的圖像數(shù)量，你可以看到輸出是什么樣的。l ＝ ［］
for i in train：
   if（i［1］ ＝＝ 0）：
       l．a(chǎn)ppend（＂rugby＂）
   else
       l．a(chǎn)ppend（＂soccer＂）
sns．set＿style（＇darkgrid＇）
sns．countplot（l）
輸出：