MindSpore框架学习项目-ResNet药物分类-模型评估

4.模型评估

4.1模型预测

要求：

补充如下代码的空白处

主要完成：

1. 实例化resnet50 预测模型

2. 加载模型参数

3. 加载测试集的数据进行评估

4. 预测图像类别

4.1.1加载模型

首先加载训练好了的最佳模型权重。

num_class = 12  # 
# 题目4-1-1：实例化resnet50 预测模型
net = resnet50(num_classes=num_class)

作用：创建 ResNet50 模型实例，输出维度适配新任务的 12 类分类需求。

关键：resnet50函数返回的模型结构已包含 ResNet50 的主干网络和替换后的 12 类全连接层（见前文代码）。

best_ckpt_path = 'BestCheckpoint/resnet50-best.ckpt'

# 题目4-1-2：加载模型参数
param_dict = ms.load_checkpoint(best_ckpt_path)
ms.load_param_into_net(net,param_dict)

作用：将训练过程中保存的最佳模型权重（如验证集准确率最高的版本）加载到模型中，使模型具备 “记忆” 训练数据的能力。

关键 API：ms.load_checkpoint：读取.ckpt文件，返回参数字典（键为参数名，值为参数值）。

ms.load_param_into_net：将参数字典中的参数值赋值给模型net的对应参数，完成权重加载。

model = ms.Model(net)
image_size = 224
workers = 1

实例化模型，定义模型为推理功能的参数，单张224*224的图像推理

# 题目4-1-3：加载测试集的数据进行评估(补充代码块)
# 要求：在测试集上输出acc指标
test_acc, _ = test_loop(net, dataset_test, loss_fn)
print(f'Test Accuracy:{test_acc*100:.2f}%')

可以看到由于模型训练轮次较少，在测试集上的表现还有待提高

4.1.2通过传入图片路径进行推理

给定单张图片的路径推理预测分类结果

def predict_one(input_img):
    dataset_one = create_dataset_zhongyao(dataset_dir=input_img,
                                       usage="test",
                                       resize=image_size,
                                       batch_size=1,
                                       workers=workers)
    data = next(dataset_one.create_tuple_iterator())
    images = data[0].asnumpy()
    labels = data[1].asnumpy()
    # 题目4-1-4：利用predict接口预测图像类别
    output = model.predict(ms.Tensor(images)) # model = ms.Model(net)
    pred = output.argmax(axis=1).asnumpy()
    return index_label_dict[pred[0]]

input_img = "dataset1/zhongyiyao/train/wblx_tg/IMG_3978.JPG"
print(predict_one(input_img))

输出：wblx_tg

从文件路径也可以看出，模型推理结果正确，注意路径只是我们人类能看出结果，模型之会分析路径对应下的数据：也就是单张图片！

单张图片推理代码解释

单张图像分类预测函数

1. 加载单张图像并创建数据集（dataset_one）

dataset_one = create_dataset_zhongyao(dataset_dir=input_img,
                                      usage="test",
                                      resize=image_size,
                                      batch_size=1,
                                      workers=workers)

作用：调用自定义数据集创建函数create_dataset_zhongyao，将输入的单张图像（input_img）转换为模型可处理的数据集。

关键参数：usage="test"：指定为测试模式（不进行数据增强，仅做基础预处理）。

resize=image_size（224）：将图像缩放到模型输入尺寸（224×224）。

batch_size=1：单张图像作为一个批次（batch_size=1）。

2. 提取图像与标签数据

data = next(dataset_one.create_tuple_iterator())  # 获取数据迭代器的第一个批次
images = data[0].asnumpy()  # 提取图像数据（转换为numpy数组）
labels = data[1].asnumpy()  # 提取真实标签（转换为numpy数组，可选）

create_tuple_iterator()：MindSpore 中数据集的迭代器，返回(图像, 标签)的元组。

next()：获取迭代器的第一个（仅一个）批次数据（因batch_size=1，仅包含单张图像）。

3. 模型预测与类别推理（题目 4-1-4 核心）

output = model.predict(ms.Tensor(images))  # 模型推理，输入为MindSpore Tensor
pred = output.argmax(axis=1).asnumpy()  # 取输出中概率最大的类别索引（axis=1为类别维度）

model.predict：MindSpore 模型的推理接口，输入预处理后的图像 Tensor，输出各分类的预测值（如概率分布）。

argmax(axis=1)：在类别维度（通常为第 1 维）取最大值的索引，得到预测的类别编号（如[5]表示第 5 类）。

4. 索引转标签名称

return index_label_dict[pred[0]]  # 通过预定义的索引-标签字典，将编号转换为类别名称（如"ph_sp"）

index_label_dict：预定义的字典（如{0: "ph_sp", 1: "hz_sp", ...}），将模型输出的类别索引映射为具体的标签名称（如中药材名称）。

4.2图片推理

要求：

补充如下代码的空白处

主要完成：

1. 加载测试集的数据进行评估

2. 推理图像类别

3.显示图像及图像的预测值

4.2.1构造可视化推理结果函数

对测试集进行推理，可视化函数中包括了对模型的调用和对推理结果的输出

def visualize_model(dataset_test):
    # 要点4-2-1：加载测试集的数据进行评估：获取图片数据和label。
    data = next(dataset_test.create_tuple_iterator())
    images = data[0].asnumpy()
    labels = data[1].asnumpy()
    # 要点4-2-2：推理图像类别
    output = model.predict(ms.Tensor(images))
    pred = output.argmax(axis=1).asnumpy()

    plt.figure(figsize=(10, 6))
    for i in range(6):
        plt.subplot(2, 3, i+1)
        color = 'blue' if pred[i] == labels[i] else 'red'
        plt.title('predict:{}  actual:{}'.format(index_label_dict[pred[i]],index_label_dict[labels[i]]), color=color)
        picture_show = np.transpose(images[i], (1, 2, 0))
        mean = np.array([0.4914, 0.4822, 0.4465])
        std = np.array([0.2023, 0.1994, 0.2010])
        picture_show = std * picture_show + mean
        picture_show = np.clip(picture_show, 0, 1)
        plt.imshow(picture_show)
        plt.axis('off')

    plt.show()

可视化推理结果函数代码解释

模型预测结果可视化函数

1. 功能概述

visualize_model函数用于可视化测试集的预测结果，随机选取 6 张测试图像，展示模型的预测标签与真实标签，并通过颜色区分预测正确 / 错误，直观评估模型性能。

2. 核心步骤解析

(1) 加载测试集数据（要点 4-2-1）

data = next(dataset_test.create_tuple_iterator())  # 获取测试集的一个批次数据
images = data[0].asnumpy()  # 提取图像数据（shape: [batch, C, H, W]）
labels = data[1].asnumpy()  # 提取真实标签（shape: [batch]）

作用：从测试数据集dataset_test中获取一个批次的图像和标签。

关键：create_tuple_iterator()返回数据迭代器，next()取第一个批次（假设批次大小≥6，否则需调整循环次数）。

(2) 模型推理获取预测标签（要点 4-2-2）

output = model.predict(ms.Tensor(images))  # 模型推理，输出各分类的预测值（logits或概率）
pred = output.argmax(axis=1).asnumpy()  # 取概率最大的类别索引（shape: [batch]）

model.predict：MindSpore 模型推理接口，输入图像 Tensor，输出预测值（如 12 类的概率分布）。

argmax(axis=1)：在类别维度（第 1 维）取最大值索引，得到预测的类别编号（如[0, 5, 2, ...]）。

(3) 可视化预测结果

plt.figure(figsize=(10, 6))  # 创建10x6英寸的画布
for i in range(6):  # 遍历前6张图像
    plt.subplot(2, 3, i+1)  # 子图布局：2行3列，第i+1个位置
    # 判断预测是否正确，设置标题颜色（蓝色=正确，红色=错误）
    color = 'blue' if pred[i] == labels[i] else 'red'
    # 标题显示预测标签和真实标签（通过index_label_dict转换索引→名称）
    plt.title(f'predict:{index_label_dict[pred[i]]}\nactual:{index_label_dict[labels[i]]}', color=color)
    # 反归一化并调整通道顺序（CHW→HWC，适应Matplotlib）
    picture_show = np.transpose(images[i], (1, 2, 0))  # 通道维度从[C,H,W]→[H,W,C]
    mean = np.array([0.4914, 0.4822, 0.4465])  # 训练时的归一化均值
    std = np.array([0.2023, 0.1994, 0.2010])   # 训练时的归一化标准差
    picture_show = std * picture_show + mean  # 反归一化：x = x*std + mean
    picture_show = np.clip(picture_show, 0, 1)  # 限制像素值在[0,1]范围内（避免溢出）
    plt.imshow(picture_show)  # 显示图像
    plt.axis('off')  # 关闭坐标轴
plt.show()  # 显示画布

反归一化：训练时图像经过(x - mean)/std归一化，可视化需还原为原始像素范围（x = x*std + mean）。

通道调整：MindSpore 默认图像格式为[C, H, W]（通道优先），Matplotlib 需要[H, W, C]（通道最后），通过np.transpose调整。

颜色标记：预测正确时标题为蓝色，错误时为红色，直观展示模型的分类效果。

4.2.2进行单张推理

# 题目4-2-3：显示图像及图像的预测值:调用visualize_model函数，利用推理数据进行可视化展示
visualize_model(dataset_test)

可以看到预测结果一般吧，因为训练轮次还是较少。为什么这么说呢，因为对于工业场景，进行药物检测还是得有>95%的精确率，才可以有效降低人工成本，此处5/6的精确率还是低了。