3.2.1 图像识别评估系统交互流程设计

工作任务

图像识别评估系统是在深度学习技术日益成熟的背景下发展起来的，旨在解决传统图像识别方法在面对复杂场景和大规模数据集时的局限性。ResNet作为一种深度卷积神经网络架构，凭借其深度残差连接机制，能够有效缓解梯度消失问题。

AI模型说明："resnet.onnx"模型是使用 Pytorch 框架和基于深度卷积神经网络训练得到的，专门用于进行图像识别。对应的标签文件为"labels.txt"。

该模型的使用交互流程为：

1) 加载"resnet.onnx"模型和"labels.txt"类别标签；

2) 加载本地测试图片"img_test.jpg"，并进行预处理以符合模型输入要求；

3) 使用"resnet.onnx"模型对加载的图片进行识别；

4) 输出加载图片的识别结果（输出概率值最大的5组类别和对应概率值）

具体要求

（1）补全该模型的使用交互流程对应的Python代码（3.2.1.ipynb），实现本地测试图片"img_test.jpg"的识别，将其识别结果截图保存为 3.2.1-1.jpg。

（2）在上面的使用交互流程基础上，给出在图像识别评估系统中使用"resnet.onnx"模型的一种人机交互的最优方式，保存为 3.2.1.docx。

场地设备要求

（1）人工智能训练师主机 1 台；（2）Python 编译环境；（3）Pytorch框架。

resnet.onnx存储位置：D:\jupyter_notebook\onnx

注意事项

在代码的橙色下划线处填写正确的 Python 代码
请勿修改源代码的其他部分
填写完成后点击 "检查答案" 查看评分
点击 "显示答案" 可直接查看所有参考答案
点击 "重置" 清空所有填写内容

当前得分

0 / 13

In [1] — 导入库 & 预处理函数 & 模型加载 2分

import onnxruntime as ort import numpy as np import scipy.special from PIL import Image # 预处理图像 def preprocess_image(image, resize_size=256, crop_size=224, mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]): image = image.resize((resize_size, resize_size), Image.BILINEAR) w, h = image.size left = (w - crop_size) / 2 top = (h - crop_size) / 2 image = image.crop((left, top, left + crop_size, top + crop_size)) image = np.array(image).astype(np.float32) image = image / 255.0 image = (image - mean) / std image = np.transpose(image, (2, 0, 1)) image = image.reshape((1,) + image.shape) return image # 模型加载 2分 session =

In [2] — 加载标签 & 获取模型输入输出 —

# 加载类别标签 labels_path = 'labels.txt' with open(labels_path) as f: labels = [line.strip() for line in f.readlines()] # 获取模型输入和输出的名称 input_name = session.get_inputs()[0].name output_name = session.get_outputs()[0].name

In [3] — 加载图片 & 预处理 4分

# 加载图片 2分 image = ('RGB') # 预处理图片 2分 processed_image = # 确保输入数据是 float32 类型 processed_image = processed_image.astype(np.float32)

In [4] — 推理 & 输出结果 7分

# 进行图片识别 2分 output = ([output_name], {input_name: processed_image})[0] # 应用 softmax 函数获取概率 2分 probabilities = (output, axis=-1) # 获取最高的5个概率和对应的类别索引 3分 top5_idx = [-5:][::-1] top5_prob = # 打印结果 print("Top 5 predicted classes:") for i in range(5): print(f"{i+1}: {labels[top5_idx[i]]} - Probability: {top5_prob[i]}")

人工智能训练师（三级）实操考试 — 3.2.1 图像识别评估系统交互流程设计