我之前使用fastai库训练了一个resnet34模型,并保存了weights.h5文件。使用最新版本的fastai,我是否还需要非空列车和有效文件夹才能导入我的学员并在测试集上进行预测?
此外,我目前正在遍历每个测试图像并使用learn.predict_array
,但是有没有办法在测试文件夹中批量预测?
我目前正在加载/预测的示例:
PATH = '/path/to/model/'
sz = 224
arch=resnet34
tfms = tfms_from_model(resnet34, sz, aug_tfms=transforms_side_on, max_zoom=1.1)
data = ImageClassifierData.from_paths(PATH, tfms=tfms, bs=64)
learn = ConvLearner.pretrained(arch, data, precompute=False)
learn.unfreeze()
learn.load('224_all')
imgs = sorted(glob(os.path.join(test_path, '*.jpg')))
preds = []
_,val_tfms = tfms_from_model(resnet34, 224)
for n, i in enumerate(imgs):
im = val_tfms(open_image(i))[None]
preds.append(1-np.argmax(learn.predict_array(im)[0]))
现在必须有更清洁的方法来做到这一点,不是吗?
在fastai中,您现在可以导出并加载学习者以在测试集上进行预测,而无需加载非空的训练和验证集。要做到这一点,你应该使用export
方法和load_learner
函数(两者都在basic_train中定义)。
在您目前的情况下,您可能需要以旧的方式加载学习者(使用火车/有效数据集),然后导出它,您将能够使用load_learner
对您的测试集进行预测。
我将留下文档的链接:
-https://docs.fast.ai/basic_train.html#Deploying-your-model
这应该澄清任何后续问题。
data = ImageClassifierData.from_paths(PATH, tfms=tfms, bs=64)
learn = ConvLearner.pretrained(arch, data, precompute=False)
learn.unfreeze()
learn.load('224_all')
preds = learn.predict(is_test=True)