Add large files with Git LFS

predict_model.py

@@ -0,0 +1,50 @@
+import torch
+import torch.nn as nn
+from torchvision import datasets, transforms, models
+import os
+from PIL import Image
+
+# Ustawienia parametrów modelu
+img_width, img_height = 224, 224  # Wymiary obrazu wymagane przez model ResNet
+model_path = 'animal_classifier_resnet.pth'  # Ścieżka do wytrenowanego modelu
+
+# Sprawdzenie, czy jest dostępny GPU i przypisanie urządzenia do zmiennej `device`
+device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+print(f"Using device: {device}")
+
+# Wyłączenie CuDNN, chyba że twoja karta wspiera bibliotekę CuDNN (NVIDIA CUDA Deep Neural Network library)
+# torch.backends.cudnn.enabled = False
+
+# Transformacje danych wejściowych (zmiana rozmiaru, normalizacja)
+transform = transforms.Compose([
+    transforms.Resize((img_width, img_height)),  # Zmiana rozmiaru obrazu
+    transforms.ToTensor(),  # Konwersja obrazu do tensoru
+    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])  # Normalizacja obrazu
+])
+
+# Inicjalizacja modelu ResNet18 bez wstępnych wag
+model = models.resnet18(weights=None)
+num_ftrs = model.fc.in_features  # Liczba wejściowych cech ostatniej warstwy
+model.fc = nn.Linear(num_ftrs, len(datasets.ImageFolder('raw-img', transform=transform).classes))  # Zastąpienie ostatniej warstwy dopasowanej do liczby klas w danych
+
+# Przeniesienie modelu na GPU, jeśli jest dostępny
+model = model.to(device)
+model.load_state_dict(torch.load(model_path, map_location=device))  # Wczytanie wytrenowanych wag modelu
+model.eval()  # Ustawienie modelu w tryb ewaluacyjny
+
+# Funkcja do przewidywania klasy obrazu
+def predict(image_path):
+    image = Image.open(image_path).convert('RGB')  # Otworzenie obrazu i konwersja do RGB
+    image = transform(image).unsqueeze(0)  # Zastosowanie transformacji i dodanie wymiaru batch
+    image = image.to(device)  # Przeniesienie obrazu na GPU, jeśli jest dostępny
+    with torch.no_grad():  # Wyłączenie gradientów dla przewidywania
+        output = model(image)  # Przekazanie obrazu przez model
+        _, predicted = torch.max(output, 1)  # Wybranie klasy z najwyższym prawdopodobieństwem
+    return datasets.ImageFolder('raw-img', transform=transform).classes[predicted.item()]  # Zwrócenie nazwy klasy
+
+# Przykład użycia funkcji predict do przewidywania klasy obrazów w katalogu `recognize`
+test_image_dir = 'recognize'  # Ścieżka do katalogu z obrazami do przewidywania
+for filename in os.listdir(test_image_dir):  # Pętla przez pliki w katalogu
+    if filename.lower().endswith(('.jpg', '.jpeg', '.png')):  # Sprawdzenie rozszerzenia pliku
+        image_path = os.path.join(test_image_dir, filename)  # Pełna ścieżka do pliku
+        print(f"Prediction for {filename}: {predict(image_path)}")  # Wyświetlenie przewidywanej klasy dla obrazu