您的位置：首页 > 其它

搭建一款属于你自己的图像识别系统

2018-03-02 18:25 260 查看
上一篇文章是一篇关于使用TensorFlow和R语言的一个图像识别，今天就用shiny将它包装成一个小程序。shiny程序分为两个部分，一个是ui.R，一个是server.R。ui.R实现的是前端，server.R实现的是服务器端。

我的ui.R是在Windows系统上面写的，准备在写server.R的时候再在Linux上面写，因为总感觉在Windows下方便许多。为了使界面更加美观，我在ui.R里面也加了一点点的CSS，效果如下，感觉界面也差不多。



结果在Linux系统不知道怎么回事，CSS上面的背景图片加载不上了，底色也全是白色的，所以只能换成把背景改成单一色。



首先来大概演示一下效果，点击左边的点击选择图片，就会出现一个对话框再选择一张照片。这里我选择一张香蕉的照片来演示一下。这里识别时间多则20来秒，少则7，8秒。


运行结果如下图：



使用shiny可以使用很少代码做出一个非常棒的web项目。首先跟大家分享一下ui.R。1. ui.R
library(shiny)# Define UI for application that draws a histogramshinyUI(

 fluidPage(
   includeCSS("style.css"),    # Application title
   div(style="text-align:center",headerPanel("图像识别")),    # Sidebar with a slider input for number of bins
   sidebarLayout(
     sidebarPanel(
       fileInput("image",label="上传图片",accept=c(".png",".jpg"),buttonLabel="点击选择图片", placeholder ="未选择")
     ),      # Show a plot of the generated distribution
     mainPanel(
       plotOutput("distPlot")
     )
   )
 )
)
2. Linux系统css代码
<head>
<style>
h{}
body{
   background-color: #225E79;
}
</style>
</head>
3. Windows系统css代码
<head>
<style>
h1 {
}
body {
 background-image: url(back.jpg);
   background-size: 100% 100% auto;
   position:absolute;
background-repeat: no-repeat;
}
</style>
</head>
back.jpg就是背景图片。4. server.R
#
# This is the server logic of a Shiny web application. You can run the
# application by clicking 'Run App' above.
#
# Find out more about building applications with Shiny here:
#
#    http://shiny.rstudio.com/
#

library(shiny)
library(tensorflow) #加载TensorFlow包
library(magrittr) #数据处理包，可以使用管道函数
library(jpeg)
library(readr)
library(ggplot2)
library(grid) #图片处理的一个包，主要控制输出图形的大的外观和一些细节东西的排列
names = read_delim("imagenet_classes.txt", "\t", escape_double = FALSE, trim_ws = TRUE,col_names = FALSE)
slim= tf$contrib$slim #slim是一个使构建，训练，评估神经网络变得简单的库。
# slim提供了很多计算机视觉方面的著名模型（VGG, AlexNet等），我们不仅可以直接使用，甚至能以各种方式进行扩展。
shinyServer(
 function(input, output) {

 output$distPlot<-renderPlot(
   {
     inImages<-input$image
     if(is.null(inImages))
       return(NULL)

     tf$reset_default_graph() #在每次运行中清除当前图形，以避免变量重复

     #Session会话 张量的具体值和操作,会话关闭时，张量的任何具体值都会丢失

     images = tf$placeholder(tf$float32, shape(NULL, NULL, NULL, 3))# 创建占位符
     imgs_scaled = tf$image$resize_images(images, shape(224,224)) #设置图片大小

     # slim$conv2d自带卷积功能+激励函数
     fc8 = slim$conv2d(imgs_scaled, 64, shape(3,3), scope='vgg_16/conv1/conv1_1') %>%
       slim$conv2d(64, shape(3,3), scope='vgg_16/conv1/conv1_2')  %>%
       slim$max_pool2d( shape(2, 2), scope='vgg_16/pool1')  %>% #池化操作

       slim$conv2d(128, shape(3,3), scope='vgg_16/conv2/conv2_1')  %>%
       slim$conv2d(128, shape(3,3), scope='vgg_16/conv2/conv2_2')  %>%
       slim$max_pool2d( shape(2, 2), scope='vgg_16/pool2')  %>%

       slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_1')  %>%
       slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_2')  %>%
       slim$conv2d(256, shape(3,3), scope='vgg_16/conv3/conv3_3')  %>%
       slim$max_pool2d(shape(2, 2), scope='vgg_16/pool3')  %>%

       slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_1')  %>%
       slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_2')  %>%
       slim$conv2d(512, shape(3,3), scope='vgg_16/conv4/conv4_3')  %>%
       slim$max_pool2d(shape(2, 2), scope='vgg_16/pool4')  %>%

       slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_1')  %>%
       slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_2')  %>%
       slim$conv2d(512, shape(3,3), scope='vgg_16/conv5/conv5_3')  %>%
       slim$max_pool2d(shape(2, 2), scope='vgg_16/pool5')  %>%

       slim$conv2d(4096, shape(7, 7), padding='VALID', scope='vgg_16/fc6')  %>%
       slim$conv2d(4096, shape(1, 1), scope='vgg_16/fc7') %>%

       # Setting the activation_fn=NULL does not work, so we get a ReLU
       slim$conv2d(1000, shape(1, 1), scope='vgg_16/fc8')  %>%
       tf$squeeze(shape(1, 2), name='vgg_16/fc8/squeezed')

     tf$summary$FileWriter('/tmp/dumm/vgg16', tf$get_default_graph())$close() #保存在/tmp/dumm/vgg16目录下

     restorer = tf$train$Saver()#创建一个Saver 来管理模型中的所有变量。
     sess = tf$Session()
     restorer$restore(sess, 'vgg_16.ckpt')#复原模型

     img1<-readJPEG(inImages$datapath)
     d=dim(img1)  #获取img1的维度
     imgs =array(255*img1,dim = c(1,d[1],d[2],d[3]))

     fc8_vals=sess$run(fc8,dict(images=imgs))
     fc8_vals[1:5]

     probs=exp(fc8_vals)/sum(exp(fc8_vals))
     idx=sort.int(fc8_vals,index.return = TRUE,decreasing = TRUE)$ix[1:5]

     g = rasterGrob(img1, interpolate=TRUE)  #图形进行栅格化
     text = ""
     for (id in idx) {
       text = paste0(text, names[id,][[1]], " ", round(probs[id],5), "\n")
     }

     #annotate 添加文本注释
     #annotation_custom 可以添加各种图形元素到ggplot图中

     ggplot(data.frame(d=1:3)) + annotation_custom(g) +
       annotate('text',x=0.05,y=0.05,label=text, size=7, hjust = 0, vjust=0, color='blue') + xlim(0,1) + ylim(0,1)

   }
 )
})
使用shiny就这么简简单单的搭建一个系统处理，如果对网页编程懂的话还可以把界面做的更炫一些。转载请注明：作者：王亨公众号：跟着菜鸟一起学R语言原文链接：http://blog.csdn.net/wzgl__wh
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航