CommencezCommencez gratuitement

Préparer votre image d'entrée

Le modèle ResNet50 original a été entraîné avec des images de 224 x 224 pixels et plusieurs étapes de prétraitement, comme la soustraction de la valeur moyenne des pixels du jeu d'entraînement pour toutes les images d'entraînement. Vous devez prétraiter de la même façon les images sur lesquelles vous voulez faire des prédictions.

Quand vous prédisez à partir d'une seule image, elle doit respecter la forme d'entrée du modèle, qui dans ce cas ressemble à ceci : (batch-size, width, height, channels). np.expand_dims avec le paramètre axis = 0 ajoute la dimension batch-size, indiquant qu'une seule image sera transmise à predict. La valeur de cette dimension batch-size est 1, puisque nous ne prédirons que sur une image.

Vous parcourrez ces étapes de prétraitement pour transformer la photo de ce chien (nommé Ivy) en une image qui peut être classée par ResNet50.

Cette activité fait partie du cours

Introduction à Deep Learning avec Keras

Voir le cours

Instructions de l’exercice

  • Importez image depuis tensorflow.keras.preprocessing et preprocess_input depuis tensorflow.keras.applications.resnet50.
  • Chargez l'image avec le bon target_size pour votre modèle.
  • Convertissez-la en tableau avec image.img_to_array().
  • Prétraitez img_expanded de la même manière que les images d'entraînement de ResNet50 original avec preprocess_input().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import image and preprocess_input
from tensorflow.keras.____ import ____
from tensorflow.keras.____.____ import ____

# Load the image with the right target size for your model
img = image.load_img(img_path, target_size=(____, ____))

# Turn it into an array
img_array = image.____(____)

# Expand the dimensions of the image, this is so that it fits the expected model input format
img_expanded = np.expand_dims(img_array, axis = 0)

# Pre-process the img in the same way original images were
img_ready = ____(____)
Modifier et exécuter le code