Image processing 如何使用Keras中保存的模型来预测和分类单个图像？

我用Keras训练了一个图像分类器，最后用代码保存了模型

model.save（'model1.h5'）

现在，当我实际尝试使用这个模型预测另一幅图像时，我使用的是代码

from keras.models import load_model
from keras.preprocessing import image
import numpy as np

# dimensions of our images
img_width, img_height = 231, 172

# load the model we saved
model = load_model('model1.h5')
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# predicting images
img = image.load_img('a.png', target_size=(img_width, img_height))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)

images = np.vstack([x])
classes = model.predict_classes(images, batch_size=10)
print(classes)

我得到一个错误，说

ValueError：检查时出错：预期conv2d_1_输入具有形状（None，231，172，1），但获得具有形状（1231，172，3）的数组

我使用的图像都是灰度模式，所以我知道我需要将3更改为1，但我不确定如何使用此代码

另外，当我训练图像时，我设置

train_datagen = ImageDataGenerator(rescale=1. / 255)
test_datagen = ImageDataGenerator(rescale=1. / 255)

但我不确定如果需要的话，我会把代码放在哪里来重新缩放它

还有，我设置了

batch\u size=16

我在代码中看到了预测，我把

classes=model.predict\u类（图像，批量大小=10）

我是否也应该将批次大小更改为16？还是把它留在10点

再次感谢各位

首先，要在灰度模式下加载图像，只需如下添加

grayscale=True

：

img = image.load_img('a.png', target_size=(img_width, img_height), grayscale=True)

其次，将

img

转换为numpy数组后，只需将

x

除以

255即可对其进行重新缩放。

第三，

batch\u size

参数告诉我们进行计算的批次有多大。由于您对单个图像进行预测，因此您定义的批大小实际上并不重要。下面是Keras关于批量大小的推断：

对于推断（评估/预测），建议在不耗尽内存的情况下选择尽可能大的批大小（因为较大的批通常会导致更快的评估/预测）

---

最后，在加载模型进行推理时，不需要编译模型。您可以安全地删除

model.compile（…）

也许错误就在这里

img = image.load_img('a.png', target_size=(img_width, img_height))

如果训练模型中的目标_大小为（64,64）

---

预测期间的目标大小应该是（64，64）而不是（img_宽度，img_高度）

首先，将图像从RGB更改为灰度，您可以使用

opencv

或

skimage

进行此操作，然后将其传递给您的模型