### 使用 Python 的 Image 包为图片添加标签 为了实现通过 `label_image.py` 脚本使用训练好的模型来给图像打标签的功能，可以按照以下方法操作： #### 准备工作 确保已安装所需的依赖项并配置环境。如果尚未完成，请参考以下命令设置 Python 和 OpenCV 环境[^2][^3]。 ```bash cd ~ wget https://www.python.org/ftp/python/3.8.13/Python-3.8.13.tgz tar -zxvf Python-3.8.13.tgz cd Python-3.8.13 ./configure make && sudo make install ``` 对于 OpenCV 安装部分，需先下载对应版本的 OpenCV 及其扩展库 opencv_contrib 并编译： ```bash git clone https://github.com/opencv/opencv.git git clone https://github.com/opencv/opencv_contrib.git mkdir -p opencv/build && cd opencv/build cmake -D CMAKE_BUILD_TYPE=Release \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules .. make -j$(nproc) sudo make install ``` #### 执行脚本标注图片 一旦环境准备就绪，可以通过运行 TensorFlow 提供的 `label_image.py` 来加载预训练模型并对新图进行分类预测。以下是具体参数说明及其调用方式[^1]: ```python python label_image.py \ --graph=/tmp/output_graph.pb \ --labels=/tmp/output_labels.txt \ --input_layer=Placeholder \ --output_layer=final_result \ --input_height=224 \ --input_width=224 \ --image=$HOME/flower_photos/daisy/21652746_cc379e0eea_m.jpg ``` 上述命令中各选项含义如下： - **`--graph`**: 指定重训后的模型路径。 - **`--labels`**: 对应类别名称列表文件位置。 - **`--input_layer` & `--output_layer`**: 输入层与输出层节点名。 - **`--input_height` / `--input_width`**: 图像尺寸调整大小。 - **`--image`**: 待处理的目标图片地址。 执行此脚本后会返回该图片最可能属于哪一类别的概率分布情况，并据此为其附加相应标签。 #### 自定义功能增强 若希望进一步开发更复杂的应用场景（比如批量处理多张照片），可基于原生 API 构建专属工具函数。下面是一个简单的例子展示如何读取多个文件夹下的所有JPEG格式文档逐一分析标记： ```python import os from subprocess import call def batch_label_images(base_dir, output_file="results.csv"): results = [] for root, dirs, files in os.walk(base_dir): for file_name in files: if not file_name.lower().endswith('.jpg'): continue full_path = os.path.join(root, file_name) command = [ 'python', 'label_image.py', '--graph=/tmp/output_graph.pb', '--labels=/tmp/output_labels.txt', '--input_layer=Placeholder', '--output_layer=final_result', '--input_height=224', '--input_width=224', '--image=' + full_path, ] result = call(command) results.append((file_name, result)) with open(output_file, "w") as f: for name, res in results: f.write(f"{name},{res}\n") if __name__ == "__main__": base_directory = "/path/to/images" batch_label_images(base_directory) ``` 以上代码片段实现了遍历指定目录下所有的 JPEG 文件并将它们送入到先前提到过的 `label_image.py` 中去获取识别结果，最后保存成 CSV 表格形式方便后续统计分析。