3.2.4 花朵智能识别系统交互流程设计

工作任务

花朵智能识别系统在现代城市绿化管理中起着越来越重要的作用，其利用先进的计算机视觉技术，如花朵检测与识别，实现了对花朵种类的实时监控与管理。本系统要求开发一个基于已训练模型的花朵检测与分类系统，能够准确识别出不同类别的花朵。

AI模型说明：提供的模型 flower-detection.onnx 是使用 Pytorch 框架和基于深度卷积神经网络训练得到的，专门用于进行花朵识别。对应的标签文件为 labels.txt。该模型的使用交互流程为：

1) 加载模型 flower-detection.onnx 和加载类别标签 labels.txt；
2) 加载一张本地花朵图片 flower_test.png，并预处理图像；
3) 使用 flower-detection 模型对花朵图片进行识别；
4) 输出花朵的预测类型和识别的准确率。

具体要求

（1）补全该模型的使用交互流程对应的 Python 代码（3.2.4.ipynb），实现本地测试图片 flower_test.png 的识别，将其识别结果截图保存为 jpg 格式文件，命名为 3.2.4-1.jpg。

（2）在上面的使用交互流程基础上，给出在花朵智能识别系统中使用 flower-detection.onnx 模型的一种人机交互的最优流程，将其保存为 docx 文件，命名为 3.2.4.docx。

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
flower-detection.onnx 存储位置：D:\jupyter_notebook\onnx
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 / 18

In [1] — 导入库 & 预处理函数只读

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

In [2] — 加载模型与标签 4分

# 加载模型 2分 session = # 加载类别标签 2分 with as f: labels = [line.strip() for line in f.readlines()]

In [3] — 获取模型输入输出名称只读

# 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 [4] — 加载并预处理图片 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 [5] — 模型推理与结果输出 10分

# 进行图片识别 2分 output = ([output_name], {input_name: processed_image})[0] # 应用 softmax 函数获取识别分类后的准确率 2分 accuracy = (output, axis=-1) # 获取预测的类别索引 2分 predicted_idx = # 获取预测的准确值（转换为百分比） 2分 prob_percentage = # 获取预测的类别标签 2分 predicted_label = # 输出预测结果，包含百分比形式的概率 print(f"Predicted class: {predicted_label}, Accuracy: {prob_percentage:.2f}%")

人工智能训练师（三级）实操考试 — 3.2.4 花朵智能识别系统交互流程设计