圖像識別是當今深度學習的主流應用，而Keras是入門最容易、使用最便捷的深度學習框架，所以搞圖像識別，你也得強調速度，不能磨嘰。本文讓你在最短時間內突破五個流行網絡結構，迅速達到圖像識別技術前沿。

作者 | Adrian Rosebrock

譯者 | 郭紅廣

編輯 | 鴿子

翻譯地址：https://cloud.tencent.com/developer/article/1111154

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

幾個月前，我寫了一篇關於如何使用已經訓練好的卷積（預訓練）神經網絡模型（特別是VGG16）對圖像進行分類的教程，這些已訓練好的模型是用Python和Keras深度學習庫對ImageNet數據集進行訓練得到的。

這些已集成到（先前是和Keras分開的）Keras中的預訓練模型能夠識別1000種類別對象（例如我們在日常生活中見到的小狗、小貓等），準確率非常高。

先前預訓練的ImageNet模型和Keras庫是分開的，需要我們克隆一個單獨github repo，然後加到項目裏。使用單獨的github repo來維護就行了。

不過，在預訓練的模型（VGG16、VGG19、ResNet50、Inception V3 與 Xception）完全集成到Keras庫之前(不需要克隆單獨的備份)，我的教程已經發布了，通過下面鏈接可以查看集成後的模型地址。我打算寫一個新的教程，演示怎麽使用這些最先進的模型。

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

具體來說，是先寫一個Python腳本，能加載使用這些網絡模型，後端使用TensorFlow或Theano，然後預測你的測試集。

Keras上的VGGNet、ResNet、Inception與Xception

在本教程前半部分，我們簡單說說Keras庫中包含的VGG、ResNet、Inception和Xception模型架構。

然後，使用Keras來寫一個Python腳本，可以從磁盤加載這些預訓練的網絡模型，然後預測測試集。

最後，在幾個示例圖像上查看這些分類的結果。

Keras上最好的深度學習圖像分類器

下面五個卷積神經網絡模型已經在Keras庫中，開箱即用：

1. VGG16
2. VGG19
3. ResNet50
4. Inception V3
5. Xception

我們從ImageNet數據集的概述開始，之後簡要討論每個模型架構。

ImageNet是個什麽東東

ImageNet是一個手動標註好類別的圖片數據庫(為了機器視覺研究)，目前已有22,000個類別。

然而，當我們在深度學習和卷積神經網絡的背景下聽到“ImageNet”一詞時，我們可能會提到ImageNet視覺識別比賽，稱為ILSVRC。

這個圖片分類比賽是訓練一個模型，能夠將輸入圖片正確分類到1000個類別中的某個類別。訓練集120萬，驗證集5萬，測試集10萬。

這1,000個圖片類別是我們在日常生活中遇到的，例如狗，貓，各種家居物品，車輛類型等等。ILSVRC比賽中圖片類別的完整列表如下：

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

在圖像分類方面，ImageNet比賽準確率已經作為計算機視覺分類算法的基準。自2012年以來，卷積神經網絡和深度學習技術主導了這一比賽的排行榜。

在過去幾年的ImageNet比賽中，Keras有幾個表現最好的CNN（卷積神經網絡）模型。這些模型通過遷移學習技術（特征提取,微調(fine-tuning)），對ImaegNet以外的數據集有很強的泛化能力。

VGG16 與 VGG19

在2014年，VGG模型架構由Simonyan和Zisserman提出，在“極深的大規模圖像識別卷積網絡”（Very Deep Convolutional Networks for Large Scale Image Recognition）這篇論文中有介紹。

論文地址：https://arxiv.org/abs/1409.1556

VGG模型結構簡單有效，前幾層僅使用3×3卷積核來增加網絡深度，通過max pooling（最大池化）依次減少每層的神經元數量，最後三層分別是2個有4096個神經元的全連接層和一個softmax層。

“16”和“19”表示網絡中的需要更新需要weight（要學習的參數）的網絡層數（下面的圖2中的列D和E）,包括卷積層，全連接層，softmax層：

極深的大規模圖像識別卷積網絡論文的圖表1, Simonyan & Zisserman (2014)

在2014年，16層和19層的網絡被認為已經很深了，但和現在的ResNet架構比起來已不算什麽了，ResNet可以在ImageNet上做到50-200層的深度，而對於CIFAR-10了來說可以做到1000+的深度。

Simonyan和Zisserman發現訓練VGG16和VGG19有些難點（尤其是深層網絡的收斂問題）。因此為了能更容易進行訓練，他們減少了需要更新weight的層數（圖2中A列和C列）來訓練較小的模型。

較小的網絡收斂後，用較小網絡學到的weight初始化更深網絡的weight，這就是預訓練。這樣做看起沒有問題，不過預訓練模型在能被使用之前，需要長時間訓練。

在大多數情況下，我們可以不用預訓練模型初始化，而是更傾向於采用Xaiver/Glorot初始化或MSRA初始化。讀All you need is a good init這篇論文可以更深了解weight初始化和深層神經網絡收斂的重要性。

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有兩個很大的缺點：

1. 網絡架構weight數量相當大，很消耗磁盤空間。
2. 訓練非常慢

由於其全連接節點的數量較多，再加上網絡比較深，VGG16有533MB+，VGG19有574MB。這使得部署VGG比較耗時。我們仍然在很多深度學習的圖像分類問題中使用VGG，然而，較小的網絡架構通常更為理想（例如SqueezeNet、GoogLeNet等）。

ResNet（殘差網絡）

與傳統的順序網絡架構（如AlexNet、OverFeat和VGG）不同，其加入了y=x層(恒等映射層),可以讓網絡在深度增加情況下卻不退化。下圖展示了一個構建塊(build block)，輸入經過兩個weight層，最後和輸入相加，形成一個微架構模塊。ResNet最終由許多微架構模塊組成。

在2015年的“Deep Residual Learning for Image Recognition”論文中，He等人首先提出ResNet，ResNet架構已經成為一項有意義的模型，其可以通過使用殘差模塊和常規SGD（需要合理的初始化weight）來訓練非常深的網絡：

論文地址：https://arxiv.org/abs/1512.03385

其在2016年後發表的文章“Identity Mappings in Deep Residual Networks”中表明，通過使用identity mapping（恒等映射）來更新殘差模塊，可以獲得很高的準確性。

論文地址：https://arxiv.org/abs/1603.05027

（左）初始殘差模型（右）升級後的殘差模型

需要註意的是，Keras庫中的ResNet50（50個weight層）的實現是基於2015年前的論文。

即使是RESNET比VGG16和VGG19更深，模型的大小實際上是相當小的，用global average pooling（全局平均水平池）代替全連接層能降低模型的大小到102MB。

Inception V3

“Inception”微架構由Szegedy等人在2014年論文"Going Deeper with Convolutions"中首次提出。

論文地址：https://arxiv.org/abs/1409.4842

GoogLeNet中所用的原始Inception模型

Inception模塊的目的是充當“多級特征提取器”，使用1×1、3×3和5×5的卷積核，最後把這些卷積輸出連接起來，當做下一層的輸入。

這種架構先前叫GoogLeNet，現在簡單地被稱為Inception vN，其中N指的是由Google定的版本號。Keras庫中的Inception V3架構實現基於Szegedy等人後來寫的論文"Rethinking the Inception Architecture for Computer Vision"，其中提出了對Inception模塊的更新，進一步提高了ImageNet分類效果。Inception V3的weight數量小於VGG和ResNet，大小為96MB。

論文地址：https://arxiv.org/abs/1512.00567

Xception

Xception架構

Xception是由Fran?ois Chollet本人（Keras維護者）提出的。Xception是Inception架構的擴展，它用深度可分離的卷積代替了標準的Inception模塊。

原始論文“Xception: Deep Learning with Depthwise Separable Convolutions”在這裏：

論文地址：https://arxiv.org/abs/1610.02357

Xception的weight數量最少，只有91MB。

至於說SqueezeNet?

SqueezeNet的“火”模型

SqueezeNet架構通過使用squeeze卷積層和擴展層（1x1和3X3卷積核混合而成）組成的fire moule獲得了AlexNet級精度,且模型大小僅4.9MB。

雖然SqueezeNet模型非常小，但其訓練需要技巧。在我即將出版的書“深度學習計算機視覺與Python”中，詳細說明了怎麽在ImageNet數據集上從頭開始訓練SqueezeNet。

用Python和上述Keras庫來給圖像分類

讓我們學習如何使用Keras庫中預訓練的卷積神經網絡模型進行圖像分類吧。

新建一個文件，命名為classify_image.py，並輸入如下代碼：

第2-13行的作用是導入所需Python包，其中大多數包都屬於Keras庫。

具體來說，第2-6行分別導入ResNet50，Inception V3，Xception，VGG16和VGG19。

需要註意，Xception網絡只能用TensorFlow後端（如果使用Theano後端,該類會拋出錯誤）。

第7行，使用imagenet_utils模塊，其有一些函數可以很方便的進行輸入圖像預處理和解碼輸出分類。

除此之外，還導入的其他輔助函數，其次是NumPy進行數值處理，cv2進行圖像編輯。

接下來，解析命令行參數：

我們只需要一個命令行參數--image，這是要分類的輸入圖像的路徑。

還可以接受一個可選的命令行參數--model，指定想要使用的預訓練模型，默認使用vgg16。

通過命令行參數得到指定預訓練模型的名字，我們需要定義一個Python字典，將模型名稱(字符串)映射到其真實的Keras類。

第25-31行定義了MODELS字典，它將模型名稱字符串映射到相應的類。

如果在MODELS中找不到--model名稱，將拋出AssertionError（第34-36行）。

卷積神經網絡將圖像作為輸入，然後返回與類標簽相對應的一組概率作為輸出。

經典的CNN輸入圖像的尺寸，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輸入圖像，而Inception V3和Xception需要299×299像素輸入，如下面的代碼塊所示：

將inputShape初始化為224×224像素。我們還使用函數preprocess_input執行平均減法。

然而，如果使用Inception或Xception，我們需要把inputShape設為299×299像素，接著preprocess_input使用separate pre-processing function，圖片可以進行不同類型的縮放。

下一步是從磁盤加載預訓練的模型weight(權重)並實例化模型:

第58行，從--model命令行參數得到model的名字，通過MODELS詞典映射到相應的類。

第59行，然後使用預訓練的ImageNet權重實例化卷積神經網絡。

註意：VGG16和VGG19的權重文件大於500MB。ResNet為?100MB，而Inception和Xception在90-100MB之間。如果是第一次運行此腳本，這些權重文件自動下載並緩存到本地磁盤。根據您的網絡速度，這可能需要一些時間。然而，一旦權重文件被下載下來，他們將不需要重新下載，再次運行classify_image.py會非常快。

模型現在已經加載並準備好進行圖像分類 - 我們只需要準備圖像進行分類：

第65行，從磁盤加載輸入圖像，inputShape調整圖像的寬度和高度。

第66行，將圖像從PIL/Pillow實例轉換為NumPy數組。

輸入圖像現在表示為(inputShape[0],inputShape[1],3)的NumPy數組。

第72行，我們通常會使用卷積神經網絡分批對圖像進行訓練/分類，因此我們需要通過np.expand_dims向矩陣添加一個額外的維度(顏色通道)。

經過np.expand_dims處理，image具有的形狀(1,inputShape[0],inputShape[1],3)。如沒有添加這個額外的維度，調用.predict會導致錯誤。

最後，第76行調用相應的預處理功能來執行數據歸一化。

經過模型預測後，並獲得輸出分類：

第80行，調用CNN中.predict得到預測結果。根據這些預測結果，將它們傳遞給ImageNet輔助函數decode_predictions，會得到ImageNet類標簽名字(id轉換成名字，可讀性高)以及與標簽相對應的概率。

然後，第85行和第86行將前5個預測(即具有最大概率的標簽)輸出到終端 。

在我們結束示例之前，我們將在此處執行的最後一件事情，通過OpenCV從磁盤加載我們的輸入圖像，在圖像上繪制＃1預測，最後將圖像顯示在我們的屏幕上：

查看預訓練模型的實際運行，請看下節。

VGGNet、ResNet、Inception與Xception的分類結果

這篇博文中的所有示例都使用Keras>=2.0和TensorFlow後端。如果使用TensorFlow，請確保使用版本>=1.0，否則將遇到錯誤。我也用Theano後端測試了這個腳本，並確認可以使用Theano。

安裝TensorFlow/Theano和Keras後，點擊底部的源代碼+示例圖像鏈接就可下載。

現在我們可以用VGG16對圖像進行分類：

我們可以看到VGG16正確地將圖像分類為“足球”，概率為93.43％。

要使用VGG19，我們只需要更改--network命令行參數：

VGG19能夠以91.76％的概率將輸入圖像正確地分類為“convertible”。看看其他top-5預測：“跑車”的概率為4.98％（其實是轎車），“豪華轎車”為1.06％（雖然不正確但看著合理），“車輪”為0.75％（從模型角度來說也是正確的,因為圖像中有車輪）。

在以下示例中，我們使用預訓練ResNet架構，可以看下top-5概率值：

ResNet正確地將ClintEastwood持槍圖像分類為“左輪手槍”，概率為69.79％。在top-5中還有，“步槍”為7.74％，“沖鋒槍”為5.63％。由於"左輪手槍"的視角，槍管較長，CNN很容易認為是步槍，所以得到的步槍也較高。

下一個例子用ResNet對狗的圖像進行分類：

狗的品種被正確識別為“比格犬”，具有94.48％的概率。

然後，我嘗試從這個圖像中分出《加勒比海盜》演員約翰尼?德普：

雖然ImageNet中確實有一個“船”類，但有趣的是，Inception網絡能夠正確地將場景識別為“（船）殘骸”，且有具有96.29％概率的。所有其他預測標簽，包括 “海濱”，“獨木舟”，“槳”和“防波堤”都是相關的，在某些情況下也是絕對正確的。

對於Inception網絡的另一個例子，我給辦公室的沙發拍攝了照片：

Inception正確地預測出圖像中有一個“桌燈”，概率為69.68％。其他top-5預測也是完全正確的，包括“工作室沙發”、“窗簾”（圖像的最右邊，幾乎不顯眼）“燈罩”和“枕頭”。

Inception雖然沒有被用作對象檢測器，但仍然能夠預測圖像中的前5個對象。卷積神經網絡可以做到完美的對物體進行識別！

再來看下Xception：

這裏我們有一個蘇格蘭桶的圖像，尤其是我最喜歡的蘇格蘭威士忌，拉加維林。Xception將此圖像正確地分類為 “桶”。

最後一個例子是使用VGG16進行分類：

幾個月前，當我打完《巫師 III》（The Wild Hunt）這局遊戲之後，我給顯示器照了這個照片。VGG16的第一個預測是“家庭影院”，這是一個合理的預測，因為top-5預測中還有一個“電視/監視器”。

從本文章的示例可以看出，在ImageNet數據集上預訓練的模型能夠識別各種常見的日常對象。你可以在你自己的項目中使用這個代碼！

總結

簡單回顧一下，在今天的博文中，我們介紹了在Keras中五個卷積神經網絡模型：

1. VGG16
2. VGG19
3. ResNet50
4. Inception V3
5. Xception

此後，我演示了如何使用這些神經網絡模型來分類圖像。希望本文對你有幫助。

原文地址：

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

AI100點評：

這篇只是介紹了怎麽使用Keras中預訓練模型，雖然直接使用這些模型能得到和專家級別同樣的效果，但模型的具體架構，怎麽調參，背後思想等一些知識還需要讀者去參考其他資料。我建議先直接去讀Keras中這些代碼，遇到不了解的知識點再去查找其他資料。

若需要文中代碼及其他資料訪問原文地址

[轉]別磨嘰，學完這篇你也是圖像識別專家了