利用load_model()函数从Python中加载图像识别模型

在Python中，可以使用Keras的load_model()函数从文件中加载图像识别模型。load_model()函数将保存的模型加载到内存中，并返回一个Keras模型对象，可以用于进一步的图像识别任务。

下面是一些使用load_model()函数加载图像识别模型的示例代码：

from keras.models import load_model
from keras.preprocessing.image import load_img, img_to_array

# 加载模型
model = load_model('path_to_model.h5')

# 加载图像
image = load_img('path_to_image.jpg', target_size=(224, 224))
image = img_to_array(image)
image = image.reshape((1, image.shape[0], image.shape[1], image.shape[2]))

# 对图像进行预测
prediction = model.predict(image)

# 打印预测结果
print(prediction)

在上面的代码中，首先使用load_model()函数从path_to_model.h5文件中加载图像识别模型，并将加载的模型保存在model变量中。

然后，使用load_img()函数从path_to_image.jpg文件中加载图像，并通过img_to_array()函数将图像转换为NumPy数组。接着，reshape()函数用于调整数组的维度，使其符合模型的输入要求。

最后，使用model.predict()函数对图像进行预测，并将结果保存在prediction变量中。预测结果是一个包含类别概率的数组。

可以根据具体的需求对预测结果进行进一步的处理，例如找到最高概率的类别，或者将概率转换为标签。

需要注意的是，加载的模型应该是之前保存的Keras模型，并且需要保持与训练时的图像预处理一致，以确保正确的预测结果。