概述
场景分类器（Scene Classifier）可识别 Places2 数据集的 Places365-Standard 子集中的 365 种不同类别的场景及位置。此模型基于 Places365-CNN 模型，由一个采用 ResNet 架构的预先训练的深度卷积网络组成，这个模型已根据 ImageNet-2012 数据集进行了训练。之后，又根据 Places365-Standard 数据集进行了微调。此模型的输入是 224×224 图像，而输出是预计类别概率的列表。使用的具体模型变体是 PyTorch Places365 ResNet18 模型。
模型元数据
| 领域 | 应用 | 行业 | 框架 | 训练数据 | 输入数据格式 |
|---|---|---|---|---|---|
| 视觉 | 图像分类 | 普通 | Pytorch | Places365 | Image (RGB/HWC) |
参考资料
- B.Zhou、A. Lapedriza、A. Khosla、A. Oliva 和 A. Torralba，“Places: A 10 million Image Database for Scene Recognition”，出自 IEEE Transactions on Pattern Analysis and Machine Intelligence（2017 年）。
- B.Zhou、A. Lapedriza、J. Xiao、A. Torralba 和 A. Oliva，“Learning Deep Features for Scene Recognition using Places Database”，出自 Advances in Neural Information Processing Systems 27（2014 年）。
- K.He、X. Zhang、S. Ren 和 J. Sun，“Deep Residual Learning for Image Recognition”，出自 CoRR (abs/1512.03385)（2015 年）。
- Places2 项目页面
- Places365-CNN GitHub 页面
许可
| 组件 | 许可 | 链接 |
|---|---|---|
| 模型 GitHub 代码库 | Apache 2.0 | 许可 |
| 模型权重 | CC BY 许可 | Places365-CNN 模型许可 |
| 模型代码（第三方） | MIT | Places365-CNN 许可 |
| 测试资产 | CC0 | 样本 README 文件 |
此模型的可用部署选项
可以使用以下机制来部署此模型：
通过 Dockerhub 进行部署：
docker run -it -p 5000:5000 codait/max-scene-classifier在 Red Hat OpenShift 上部署：
遵循本教程中有关 OpenShift Web 控制台或 OpenShift Container Platform CLI 的操作说明，并指定
codait/max-scene-classifier作为镜像名称。在 Kubernetes 上部署：
kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Scene-Classifier/master/max-scene-classifier.yaml本地：遵循 GitHub 上的模型 README 文件中的操作说明
用法示例
您可以测试或使用此模型
使用 cURL 测试模型
在部署模型后，可以在命令行中测试该模型。例如，如果在本地运行：
curl -F "image=@samples/aquarium.jpg" -XPOST http://localhost:5000/model/predict
您应该会看到与下面类似的 JSON 响应：
{
"status": "ok",
"predictions": [
{
"label_id": "9",
"label": "aquarium",
"probability": 0.97350615262985
},
{
"label_id": "342",
"label": "underwater\/ocean_deep",
"probability": 0.0062678409740329
}
]
}
在 Node-RED 流程中测试模型
遵循 node-red-contrib-model-asset-exchange 模型设置的操作说明，并导入 scene-classifier 入门级流程。
在无服务器应用程序中测试模型
通过遵循在 IBM Cloud Functions 中利用深度学习教程中的操作说明，可以在无服务器应用程序中使用此模型。
资源与贡献
如果您有兴趣为 Model Asset Exchange 项目做出贡献或有任何疑问，遵循此处的操作说明。
本文翻译自：Scene Classifier（2018-09-21）