基于MobileNet V2迁移学习的动物分类器：单张JPG图片推理方法

前提说明 #

假设你已经完成MobileNet V2迁移学习的训练流程，保存了训练好的模型文件（如animal_classifier.h5），并记录了训练时的类别标签顺序（需与数据集文件夹分类顺序完全一致）。

1. 安装必要依赖 #

确保环境中已安装核心库，未安装则执行：

pip install tensorflow opencv-python numpy

2. 加载模型与类别标签 #

首先需要把训练时的类别标签保存为可读取的格式（比如JSON文件），如果训练时没保存，可根据数据集文件夹名称按训练时的排序重新生成。示例代码：

import tensorflow as tf
import json
import cv2
import numpy as np

# 加载训练好的迁移学习模型
model = tf.keras.models.load_model('animal_classifier.h5')

# 加载类别标签（替换为你实际的标签列表，顺序必须和训练时一致）
# 若之前未保存，可通过读取数据集文件夹生成：os.listdir(train_dir) 后按训练时的排序保存
with open('class_labels.json', 'r') as f:
    class_labels = json.load(f)

3. 单张图片预处理函数 #

MobileNet V2要求输入尺寸为(224,224,3)，且需匹配模型的归一化规则：

def preprocess_single_image(image_path):
    # 读取JPG图片并转换为RGB格式（OpenCV默认读为BGR）
    img = cv2.imread(image_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    # 调整尺寸到模型要求的输入大小
    img = cv2.resize(img, (224, 224))
    # 应用MobileNet V2官方预处理规则
    img = tf.keras.applications.mobilenet_v2.preprocess_input(img)
    # 添加batch维度（模型接受批量输入格式：(batch_size, 224,224,3)）
    img = tf.expand_dims(img, axis=0)
    return img

# 替换为你要分类的目标JPG图片路径
target_img_path = "your_test_image.jpg"
processed_img = preprocess_single_image(target_img_path)

4. 执行预测并输出结果 #

# 生成预测概率
predictions = model.predict(processed_img, verbose=0)
# 获取最大概率对应的类别索引
predicted_idx = tf.argmax(predictions[0]).numpy()
# 匹配类别名称与置信度
predicted_class = class_labels[predicted_idx]
confidence_score = predictions[0][predicted_idx] * 100

# 打印结果
print(f"预测类别: {predicted_class}")
print(f"置信度: {confidence_score:.2f}%")

关键注意事项 #

• 标签顺序一致性：类别标签的顺序必须和训练时数据集文件夹的遍历顺序完全一致，否则预测结果会错位。
• 图片格式兼容：若读取失败，可替换为PIL库读取：

  from PIL import Image
  def preprocess_single_image(image_path):
      img = Image.open(image_path).convert('RGB')
      img = img.resize((224, 224))
      img = tf.keras.applications.mobilenet_v2.preprocess_input(np.array(img))
      img = tf.expand_dims(img, axis=0)
      return img
  

• 异常处理：可添加try-except块捕获图片读取失败、模型加载失败等异常。

内容的提问来源于stack exchange，提问作者YokiT