ResNet18傻瓜式教程：3步完成图像识别，没显卡也能用-开发者社区

ResNet18傻瓜式教程：3步完成图像识别，没显卡也能用

引言

作为小公司老板，你可能经常听到"AI"、"图像识别"这些高大上的词汇，但总觉得离自己很遥远。IT部门说要配环境得等一周，电脑配置又跟不上，难道只能干瞪眼？别急，今天我就带你用ResNet18这个轻量级模型，3步搞定图像识别演示，老旧电脑也能流畅运行。

ResNet18就像是一个现成的"图像识别小助手"，它已经通过海量图片训练过，能直接认出猫狗、车辆、日常物品等上千种对象。最关键的是，它体积小巧（只有40MB左右），对硬件要求极低，普通办公电脑就能跑起来。下面我会用最直白的语言，手把手教你如何快速体验这个技术。

1. 准备工作：5分钟搞定环境

1.1 安装必备软件

首先确保电脑有这两个基础工具（没有的话点击链接下载安装）： - Python 3.8+（选"Add Python to PATH"选项） - VSCode（或其他你喜欢的代码编辑器）

💡 提示
如果公司电脑权限受限，可以尝试便携版Python（如WinPython），解压就能用

1.2 一键安装依赖包

打开命令提示符（Win+R输入cmd），粘贴下面这行命令回车：

pip install torch torchvision pillow --index-url https://download.pytorch.org/whl/cpu

这个命令会安装： - PyTorch：运行AI模型的引擎（我们特意选了不需要显卡的CPU版本） - TorchVision：包含ResNet18等预训练模型 - Pillow：处理图片的常用工具

2. 三步代码实战

2.1 准备测试图片

在你的桌面新建文件夹demo_images，随便放几张图片： - 宠物照片 - 办公用品 - 手机拍的食物 - 公司产品照片

2.2 创建识别脚本

打开VSCode，新建resnet_demo.py文件，粘贴以下代码：

from torchvision import models, transforms from PIL import Image # 1. 加载预训练模型（自动下载40MB的小模型） model = models.resnet18(pretrained=True) model.eval() # 切换到预测模式 # 2. 准备图片处理流程 preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 3. 识别函数 def predict(image_path): img = Image.open(image_path) img_tensor = preprocess(img).unsqueeze(0) # 添加批次维度 with torch.no_grad(): outputs = model(img_tensor) _, preds = torch.max(outputs, 1) return preds.item() # 使用示例 result = predict("demo_images/你的图片.jpg") print(f"识别结果类别编号: {result}")

2.3 运行并查看结果

在VSCode终端运行（或命令行cd到脚本目录后执行）：

python resnet_demo.py

你会看到一个0-999的数字输出，这对应着ImageNet数据集的类别编号。想知道具体是什么？可以访问这个在线对照表。

3. 进阶技巧：让结果更友好

3.1 显示中文标签

修改代码，添加类别映射（在predict函数前添加）：

import json import urllib.request # 下载中文标签 label_url = "https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json" labels = json.loads(urllib.request.urlopen(label_url).read().decode()) def predict(image_path): # ...（前面代码不变） return labels[preds.item()] # 返回中文标签

现在运行后会直接显示"金毛犬"、"咖啡杯"这样的易懂结果。

3.2 批量识别多张图片

在脚本末尾添加：

import os for img_file in os.listdir("demo_images"): if img_file.lower().endswith(('.png', '.jpg', '.jpeg')): print(f"{img_file} 的识别结果: {predict(f'demo_images/{img_file}')}")