预训练图像分类模型预测

此为 datawhale 的公开教程
教程地址：github

1. 调用 pytorch 中 model 加载模型

model = models.resnet18(pretrained=True) 
model = model.eval()
model = model.to(device)

Notes:

1. model.eval() 通常在对模型进行验证时需要设置的。此设置的目的是：在模型中有BatchNormal以及Dropout层时，取消BN和Dropout层的效果，以达到所有数据都进行测试的效果。
2. BatchNormal 以及 Dropout 均为正则化手段，一定程度上可以处理过拟合的情况
3. model.to(device) 是将模型转移到指定的设备上

2. 图像预处理以及测试图片

from torchvision import transforms
from PIL import Image
test_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])
img_pil = Image.open(img_path)

Notes:

1. tansformams 可以对图像进行一系列处理包括，设置图片大小，将图片对象转为 Tensor 对象等
2. 使用 Image 打开图片

3. 调用摄像头获取图像（视频）

import cv2
import time# 获取摄像头，传入0表示获取系统默认摄像头
cap = cv2.VideoCapture(1)# 打开cap
cap.open(0)# 无限循环，直到break被触发
while cap.isOpened():# 获取画面success, frame = cap.read()if not success:print('Error')break## !!!处理帧函数frame = process_frame(frame)# 展示处理后的三通道图像cv2.imshow('my_window',frame)if cv2.waitKey(1) in [ord('q'),27]: # 按键盘上的q或esc退出（在英文输入法下）break# 关闭摄像头
cap.release()# 关闭图像窗口
cv2.destroyAllWindows()

Notes:

1. 使用 cv2 库调用摄像头