Resolvido: como carregar o modelo pré-treinado no pytorch

Última atualização: 09/11/2023
autor: Trilha de origem Python

como carregar o modelo pré-treinado No mundo do aprendizado de máquina e da inteligência artificial, é comum trabalhar com **modelos pré-treinados** para obter resultados mais rápidos e precisos. Esses modelos já foram treinados em grandes conjuntos de dados e estão essencialmente prontos para uso. Carregar um modelo pré-treinado pode economizar uma quantidade considerável de tempo e recursos em comparação com começar do zero. Neste artigo, exploraremos como carregar um modelo pré-treinado usando Python, focando especificamente na biblioteca de aprendizado profundo amplamente usada chamada TensorFlow. Forneceremos uma solução para o problema, discutiremos as bibliotecas e funções necessárias e percorreremos uma explicação passo a passo do código.

Carregando um modelo pré-treinado

A primeira etapa para trabalhar com um modelo pré-treinado é obter o próprio modelo. Existem vários modelos pré-treinados populares disponíveis, como VGG, ResNet e Inception, que são frequentemente usados ​​para tarefas como classificação de imagens e detecção de objetos. Neste exemplo, usaremos o modelo VGG16, que foi pré-treinado no conjunto de dados ImageNet.

Para carregar o modelo VGG16 pré-treinado, precisamos usar a biblioteca TensorFlow e seu módulo Keras. Se você não tiver o TensorFlow instalado, poderá fazê-lo com o seguinte comando:

""
pip instalar tensorflow
""

Uma vez instalado o TensorFlow, podemos prosseguir com o carregamento do modelo VGG16. Aqui está a explicação passo a passo do código:

from tensorflow.keras.applications import VGG16

# Load the pretrained VGG16 model with the 'imagenet' weights
model = VGG16(weights="imagenet")

No código acima, primeiro importamos a classe VGG16 do módulo `tensorflow.keras.applications`. Em seguida, criamos uma instância do modelo VGG16 passando o argumento `weights=”imagenet”`, que instrui o modelo a carregar pesos que foram pré-treinados no conjunto de dados ImageNet.

Usando o modelo pré-treinado

Agora que carregamos o modelo VGG16 pré-treinado, podemos usá-lo para várias tarefas, como classificação de imagens. Para realizar a classificação da imagem, precisamos pré-processar a imagem de entrada para torná-la compatível com o modelo VGG16. Isso envolve redimensionar a imagem, normalizar os valores de pixel e expandir suas dimensões.

import numpy as np
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.vgg16 import preprocess_input

# Load an example image and preprocess it
img_path = "path/to/your/image.jpg"
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

No código acima, usamos o módulo `image` de `tensorflow.keras.preprocessing` para carregar e pré-processar a imagem de entrada. A imagem é redimensionada para `(224, 224)` de acordo com os requisitos do modelo VGG16. Em seguida, convertemos a imagem em uma matriz NumPy e expandimos suas dimensões para corresponder à forma de entrada esperada. Finalmente, usamos a função `preprocess_input` do módulo `tensorflow.keras.applications.vgg16` para normalizar os valores de pixel.

Com a imagem de entrada pré-processada e pronta, agora podemos usar o modelo VGG16 pré-treinado para fazer uma previsão:

from tensorflow.keras.applications.vgg16 import decode_predictions

# Make a prediction using the pretrained model
predictions = model.predict(x)

# Decode the prediction and print the top 3 results
predicted_classes = decode_predictions(predictions, top=3)
print(predicted_classes)

No exemplo acima, usamos o método `model.predict` para gerar uma previsão para a imagem de entrada. As previsões resultantes são então decodificadas usando a função `decode_predictions` do módulo `tensorflow.keras.applications.vgg16` para revelar as 3 principais classes previstas do conjunto de dados ImageNet.

Concluindo, carregar e usar modelos pré-treinados em Python é facilitado com a biblioteca TensorFlow. Essa abordagem pode reduzir significativamente o tempo e os recursos necessários para obter resultados precisos, tornando-a incrivelmente valiosa para praticantes de aprendizado de máquina novatos e experientes.

Artigos relacionados: