别磨叽，学完这篇你也是图像识别专家了

会员服务 ·

别磨叽，学完这篇你也是图像识别专家了

2017 年 6 月 24 日 AI100 AI100

图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。

作者 | Adrian Rosebrock

译者 | 郭红广

编辑 | 鸽子

几个月前，我写了一篇关于如何使用已经训练好的卷积（预训练）神经网络模型（特别是VGG16）对图像进行分类的教程，这些已训练好的模型是用Python和Keras深度学习库对ImageNet数据集进行训练得到的。

这些已集成到（先前是和Keras分开的）Keras中的预训练模型能够识别1000种类别对象（例如我们在日常生活中见到的小狗、小猫等），准确率非常高。

先前预训练的ImageNet模型和Keras库是分开的，需要我们克隆一个单独github repo，然后加到项目里。使用单独的github repo来维护就行了。

不过，在预训练的模型（VGG16、VGG19、ResNet50、Inception V3 与 Xception）完全集成到Keras库之前(不需要克隆单独的备份)，我的教程已经发布了，通过下面链接可以查看集成后的模型地址。我打算写一个新的教程，演示怎么使用这些最先进的模型。

https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py

具体来说，是先写一个Python脚本，能加载使用这些网络模型，后端使用TensorFlow或Theano，然后预测你的测试集。

Keras上的VGGNet、ResNet、Inception与Xception

在本教程前半部分，我们简单说说Keras库中包含的VGG、ResNet、Inception和Xception模型架构。

然后，使用Keras来写一个Python脚本，可以从磁盘加载这些预训练的网络模型，然后预测测试集。

最后，在几个示例图像上查看这些分类的结果。

Keras上最好的深度学习图像分类器

下面五个卷积神经网络模型已经在Keras库中，开箱即用：

VGG16
VGG19
ResNet50
Inception V3
Xception

我们从ImageNet数据集的概述开始，之后简要讨论每个模型架构。

ImageNet是个什么东东

ImageNet是一个手动标注好类别的图片数据库(为了机器视觉研究)，目前已有22,000个类别。

然而，当我们在深度学习和卷积神经网络的背景下听到“ImageNet”一词时，我们可能会提到ImageNet视觉识别比赛，称为ILSVRC。

这个图片分类比赛是训练一个模型，能够将输入图片正确分类到1000个类别中的某个类别。训练集120万，验证集5万，测试集10万。

这1,000个图片类别是我们在日常生活中遇到的，例如狗，猫，各种家居物品，车辆类型等等。ILSVRC比赛中图片类别的完整列表如下：

http://image-net.org/challenges/LSVRC/2014/browse-synsets

在图像分类方面，ImageNet比赛准确率已经作为计算机视觉分类算法的基准。自2012年以来，卷积神经网络和深度学习技术主导了这一比赛的排行榜。

在过去几年的ImageNet比赛中，Keras有几个表现最好的CNN（卷积神经网络）模型。这些模型通过迁移学习技术（特征提取,微调(fine-tuning)），对ImaegNet以外的数据集有很强的泛化能力。

VGG16 与 VGG19

在2014年，VGG模型架构由Simonyan和Zisserman提出，在“极深的大规模图像识别卷积网络”（Very Deep Convolutional Networks for Large Scale Image Recognition）这篇论文中有介绍。

论文地址：https://arxiv.org/abs/1409.1556

VGG模型结构简单有效，前几层仅使用3×3卷积核来增加网络深度，通过max pooling（最大池化）依次减少每层的神经元数量，最后三层分别是2个有4096个神经元的全连接层和一个softmax层。

“16”和“19”表示网络中的需要更新需要weight（要学习的参数）的网络层数（下面的图2中的列D和E）,包括卷积层，全连接层，softmax层：

极深的大规模图像识别卷积网络论文的图表1, Simonyan & Zisserman (2014)

在2014年，16层和19层的网络被认为已经很深了，但和现在的ResNet架构比起来已不算什么了，ResNet可以在ImageNet上做到50-200层的深度，而对于CIFAR-10了来说可以做到1000+的深度。

Simonyan和Zisserman发现训练VGG16和VGG19有些难点（尤其是深层网络的收敛问题）。因此为了能更容易进行训练，他们减少了需要更新weight的层数（图2中A列和C列）来训练较小的模型。

较小的网络收敛后，用较小网络学到的weight初始化更深网络的weight，这就是预训练。这样做看起没有问题，不过预训练模型在能被使用之前，需要长时间训练。

在大多数情况下，我们可以不用预训练模型初始化，而是更倾向于采用Xaiver/Glorot初始化或MSRA初始化。读All you need is a good init这篇论文可以更深了解weight初始化和深层神经网络收敛的重要性。

MSRA初始化：https://arxiv.org/abs/1502.01852

All you need is a good init: https://arxiv.org/abs/1511.06422

不幸的是，VGG有两个很大的缺点：

网络架构weight数量相当大，很消耗磁盘空间。

训练非常慢

由于其全连接节点的数量较多，再加上网络比较深，VGG16有533MB+，VGG19有574MB。这使得部署VGG比较耗时。我们仍然在很多深度学习的图像分类问题中使用VGG，然而，较小的网络架构通常更为理想（例如SqueezeNet、GoogLeNet等）。

ResNet（残差网络）

与传统的顺序网络架构（如AlexNet、OverFeat和VGG）不同，其加入了y=x层(恒等映射层),可以让网络在深度增加情况下却不退化。下图展示了一个构建块(build block)，输入经过两个weight层，最后和输入相加，形成一个微架构模块。ResNet最终由许多微架构模块组成。

在2015年的“Deep Residual Learning for Image Recognition”论文中，He等人首先提出ResNet，ResNet架构已经成为一项有意义的模型，其可以通过使用残差模块和常规SGD（需要合理的初始化weight）来训练非常深的网络：

论文地址：https://arxiv.org/abs/1512.03385

其在2016年后发表的文章“Identity Mappings in Deep Residual Networks”中表明，通过使用identity mapping（恒等映射）来更新残差模块，可以获得很高的准确性。

论文地址：https://arxiv.org/abs/1603.05027

（左）初始残差模型（右）升级后的残差模型

需要注意的是，Keras库中的ResNet50（50个weight层）的实现是基于2015年前的论文。

即使是RESNET比VGG16和VGG19更深，模型的大小实际上是相当小的，用global average pooling（全局平均水平池）代替全连接层能降低模型的大小到102MB。

Inception V3

“Inception”微架构由Szegedy等人在2014年论文"Going Deeper with Convolutions"中首次提出。

论文地址：https://arxiv.org/abs/1409.4842

GoogLeNet中所用的原始Inception模型

Inception模块的目的是充当“多级特征提取器”，使用1×1、3×3和5×5的卷积核，最后把这些卷积输出连接起来，当做下一层的输入。

这种架构先前叫GoogLeNet，现在简单地被称为Inception vN，其中N指的是由Google定的版本号。Keras库中的Inception V3架构实现基于Szegedy等人后来写的论文"Rethinking the Inception Architecture for Computer Vision"，其中提出了对Inception模块的更新，进一步提高了ImageNet分类效果。Inception V3的weight数量小于VGG和ResNet，大小为96MB。

论文地址：https://arxiv.org/abs/1512.00567

Xception

Xception架构

Xception是由François Chollet本人（Keras维护者）提出的。Xception是Inception架构的扩展，它用深度可分离的卷积代替了标准的Inception模块。

原始论文“Xception: Deep Learning with Depthwise Separable Convolutions”在这里：

论文地址：https://arxiv.org/abs/1610.02357

Xception的weight数量最少，只有91MB。

至于说SqueezeNet?

SqueezeNet的“火”模型

SqueezeNet架构通过使用squeeze卷积层和扩展层（1x1和3X3卷积核混合而成）组成的fire moule获得了AlexNet级精度,且模型大小仅4.9MB。

虽然SqueezeNet模型非常小，但其训练需要技巧。在我即将出版的书“深度学习计算机视觉与Python”中，详细说明了怎么在ImageNet数据集上从头开始训练SqueezeNet。

用Python和上述Keras库来给图像分类

让我们学习如何使用Keras库中预训练的卷积神经网络模型进行图像分类吧。

新建一个文件，命名为classify_image.py，并输入如下代码：

第2-13行的作用是导入所需Python包，其中大多数包都属于Keras库。

具体来说，第2-6行分别导入ResNet50，Inception V3，Xception，VGG16和VGG19。

需要注意，Xception网络只能用TensorFlow后端（如果使用Theano后端,该类会抛出错误）。

第7行，使用imagenet_utils模块，其有一些函数可以很方便的进行输入图像预处理和解码输出分类。

除此之外，还导入的其他辅助函数，其次是NumPy进行数值处理，cv2进行图像编辑。

接下来，解析命令行参数：

我们只需要一个命令行参数--image，这是要分类的输入图像的路径。

还可以接受一个可选的命令行参数--model，指定想要使用的预训练模型，默认使用vgg16。

通过命令行参数得到指定预训练模型的名字，我们需要定义一个Python字典，将模型名称(字符串)映射到其真实的Keras类。

第25-31行定义了MODELS字典，它将模型名称字符串映射到相应的类。

如果在MODELS中找不到--model名称，将抛出AssertionError（第34-36行）。

卷积神经网络将图像作为输入，然后返回与类标签相对应的一组概率作为输出。

经典的CNN输入图像的尺寸，是224×224、227×227、256×256和299×299，但也可以是其他尺寸。

VGG16，VGG19和ResNet均接受224×224输入图像，而Inception V3和Xception需要299×299像素输入，如下面的代码块所示：

将inputShape初始化为224×224像素。我们还使用函数preprocess_input执行平均减法。

然而，如果使用Inception或Xception，我们需要把inputShape设为299×299像素，接着preprocess_input使用separate pre-processing function，图片可以进行不同类型的缩放。

下一步是从磁盘加载预训练的模型weight(权重)并实例化模型:

第58行，从--model命令行参数得到model的名字，通过MODELS词典映射到相应的类。

第59行，然后使用预训练的ImageNet权重实例化卷积神经网络。

注意：VGG16和VGG19的权重文件大于500MB。ResNet为〜100MB，而Inception和Xception在90-100MB之间。如果是第一次运行此脚本，这些权重文件自动下载并缓存到本地磁盘。根据您的网络速度，这可能需要一些时间。然而，一旦权重文件被下载下来，他们将不需要重新下载，再次运行classify_image.py会非常快。

模型现在已经加载并准备好进行图像分类 - 我们只需要准备图像进行分类：

第65行，从磁盘加载输入图像，inputShape调整图像的宽度和高度。

第66行，将图像从PIL/Pillow实例转换为NumPy数组。

输入图像现在表示为(inputShape[0],inputShape[1],3)的NumPy数组。

第72行，我们通常会使用卷积神经网络分批对图像进行训练/分类，因此我们需要通过np.expand_dims向矩阵添加一个额外的维度(颜色通道)。

经过np.expand_dims处理，image具有的形状(1,inputShape[0],inputShape[1],3)。如没有添加这个额外的维度，调用.predict会导致错误。

最后，第76行调用相应的预处理功能来执行数据归一化。

经过模型预测后，并获得输出分类：

第80行，调用CNN中.predict得到预测结果。根据这些预测结果，将它们传递给ImageNet辅助函数decode_predictions，会得到ImageNet类标签名字(id转换成名字，可读性高)以及与标签相对应的概率。

然后，第85行和第86行将前5个预测(即具有最大概率的标签)输出到终端。

在我们结束示例之前，我们将在此处执行的最后一件事情，通过OpenCV从磁盘加载我们的输入图像，在图像上绘制＃1预测，最后将图像显示在我们的屏幕上：

查看预训练模型的实际运行，请看下节。

VGGNet、ResNet、Inception与Xception的分类结果

这篇博文中的所有示例都使用Keras>=2.0和TensorFlow后端。如果使用TensorFlow，请确保使用版本>=1.0，否则将遇到错误。我也用Theano后端测试了这个脚本，并确认可以使用Theano。

安装TensorFlow/Theano和Keras后，点击底部的源代码+示例图像链接就可下载。

现在我们可以用VGG16对图像进行分类：

我们可以看到VGG16正确地将图像分类为“足球”，概率为93.43％。

要使用VGG19，我们只需要更改--network命令行参数：

VGG19能够以91.76％的概率将输入图像正确地分类为“convertible”。看看其他top-5预测：“跑车”的概率为4.98％（其实是轿车），“豪华轿车”为1.06％（虽然不正确但看着合理），“车轮”为0.75％（从模型角度来说也是正确的,因为图像中有车轮）。

在以下示例中，我们使用预训练ResNet架构，可以看下top-5概率值：

ResNet正确地将ClintEastwood持枪图像分类为“左轮手枪”，概率为69.79％。在top-5中还有，“步枪”为7.74％，“冲锋枪”为5.63％。由于"左轮手枪"的视角，枪管较长，CNN很容易认为是步枪，所以得到的步枪也较高。

下一个例子用ResNet对狗的图像进行分类：

狗的品种被正确识别为“比格犬”，具有94.48％的概率。

然后，我尝试从这个图像中分出《加勒比海盗》演员约翰尼・德普：

虽然ImageNet中确实有一个“船”类，但有趣的是，Inception网络能够正确地将场景识别为“（船）残骸”，且有具有96.29％概率的。所有其他预测标签，包括 “海滨”，“独木舟”，“桨”和“防波堤”都是相关的，在某些情况下也是绝对正确的。

对于Inception网络的另一个例子，我给办公室的沙发拍摄了照片：

Inception正确地预测出图像中有一个“桌灯”，概率为69.68％。其他top-5预测也是完全正确的，包括“工作室沙发”、“窗帘”（图像的最右边，几乎不显眼）“灯罩”和“枕头”。

Inception虽然没有被用作对象检测器，但仍然能够预测图像中的前5个对象。卷积神经网络可以做到完美的对物体进行识别！

再来看下Xception：

这里我们有一个苏格兰桶的图像，尤其是我最喜欢的苏格兰威士忌，拉加维林。Xception将此图像正确地分类为 “桶”。

最后一个例子是使用VGG16进行分类：

几个月前，当我打完《巫师 III》（The Wild Hunt）这局游戏之后，我给显示器照了这个照片。VGG16的第一个预测是“家庭影院”，这是一个合理的预测，因为top-5预测中还有一个“电视/监视器”。

从本文章的示例可以看出，在ImageNet数据集上预训练的模型能够识别各种常见的日常对象。你可以在你自己的项目中使用这个代码！

总结

简单回顾一下，在今天的博文中，我们介绍了在Keras中五个卷积神经网络模型：

VGG16
VGG19
ResNet50
Inception V3
Xception

此后，我演示了如何使用这些神经网络模型来分类图像。希望本文对你有帮助。

原文地址：

http://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet-inception-xception-keras/

AI100点评：

这篇只是介绍了怎么使用Keras中预训练模型，虽然直接使用这些模型能得到和专家级别同样的效果，但模型的具体架构，怎么调参，背后思想等一些知识还需要读者去参考其他资料。我建议先直接去读Keras中这些代码，遇到不了解的知识点再去查找其他资料。

招聘

AI100现招聘技术编辑、实习生，有意向请将简历投往：puge@ai100.ai

咨询请联系微信greta1314

课程结合实例介绍使用TensorFlow开发机器学习应用的详细方法和步骤，着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的应用范围与效果。所有案例均来自讲师团队工作中的亲身实践，所选案例均是深度学习的经典应用，非常具有代表性。

点击下方“阅读原文”查看更多内容。