Pytorch图像识别

图像识别是从给定图像中提取有意义的信息（例如图像内容）的过程。在图像识别中，对给定图像中的主要内容进行分类至关重要，因此它不涉及确定已识别内容的位置和姿势。

术语“图像识别”介绍用于计算机技术，该技术借助算法和机器学习概念来识别某些动物、物体、人物或其他目标主体。图像识别与计算机视觉相关，计算机视觉是像人类一样观察训练计算机和图像处理的综合标签。对于计算机而言，这是一个用于处理大量数据的通用术语。

图像识别有多种方法。使用卷积神经网络是许多识别技术的基础，它通过一系列人工神经元层来过滤图像。卷积神经网络是专门为图像识别和类似的图像处理而设计的。借助最大池化、填充和步幅配置等技术的结合，CNN 滤波器对图像进行处理，以帮助机器学习程序更好地识别图像的主题。

图像识别的挑战

图像识别是当今广泛使用的技术之一。由于其受欢迎程度和持续使用，它面临许多具有挑战性的问题。这些问题如下所示：

1) 变形

即使物体变形，也不会改变。系统从原始图像中学习，并形成一种感知，即该物体只能具有特定的形状。在现实世界中，形状会发生变化，因此当系统遇到物体变形的图像时，就会出现不准确的情况。

2) 类内差异

某些对象在类中发生变化。它们可以具有不同的尺寸、形状，但仍然代表同一类。例如，瓶子、按钮、袋子、椅子的大小和外观各不相同。

3) 视角变化

当将图像（其中实体在不同的方向上对齐）输入到系统中时，它会预测不准确的值。系统无法理解更改图像的对齐方式（例如左、右、底部和顶部）不会使其变得不同，这就是导致图像识别中出现挑战的原因。

4) 尺寸变化

如果物体的大小发生变化，物体的分类会受到影响。我们观察物体越近，它在尺寸上看起来越大，反之亦然。

5) 遮挡

某些物体会阻碍图像的完整视图，导致系统获得不完整的信息。有必要开发一种对这些变化敏感并包含大量数据样本的算法。

PyTorch 中的图像分类

PyTorch 是深度学习最受欢迎的框架之一。图像分类是一个监督学习问题。图像分类借助预训练模型完成。

1) 预训练模型

预训练模型是在 ImageNet 等大型基准数据集上训练的神经网络模型。有各种预训练模型，例如 AlexNet 和 ResNet101。这两个模型都在 ImageNet 数据集上进行了训练。预训练一词是指例如深度学习架构 ResNet101 和 AlexNet 已经在一​​些数据集上进行了训练，并随身携带了由此产生的权重和偏差。TorchVision 具有这两种架构和预训练模型。

a) 模型推理过程

如何使用预训练模型来预测输入的类别。这个过程涉及一个被称为模型推理的过程。此过程具有以下步骤：

1. 读取输入图像。
2. 对图像执行转换。
3. 前向传递
4. 显示基于获得的评分的预测。

b) 使用 TorchVision 加载预训练网络

我们可以借助 TorchVision 模块轻松使用预训练模型。为此，我们首先必须安装 torchvision 并从 torchvision 模块导入模型，并借助 dir (models) 查看我们可用的不同模型和架构。

c) 使用 AlexNet 进行图像分类

当使用 AlexNet 执行图像分类时，我们有以下步骤：

步骤 1： 加载预训练模型
步骤 2： 指定图像转换
步骤 3： 加载输入图像并对其进行预处理
步骤 4： 模型推理

d) 使用 ResNet 进行图像分类

当使用 AlexNet 执行图像分类时，我们有以下步骤：

步骤 1： 加载预训练模型。
步骤 2： 将模型置于评估模式。
步骤 3： 执行模型推理。
步骤 4： 打印模型预测的前 5 个类别。

在下一个主题中，我们将讨论 MNIST 数据集 以及如何使用深度神经网络来拟合图像数据。我们将讨论验证集，该验证集用于验证神经网络并检查其在新数据上的泛化程度。在训练了最佳神经网络之后，我们将其用于预测来自网络的新图像。