effinet_basic.py

import torch
from torchvision.models import efficientnet_b0, EfficientNet_B0_Weights
import torchvision.transforms as transforms
from PIL import Image
import torch.nn.functional as F
import json 
import os
import sys # 파일 누락 시 종료를 위해 추가

# ==============================================================================
# 0. ImageNet 클래스 이름 로드
# ==============================================================================
CLASS_MAP_FILENAME = 'labels_map.txt' 
class_name_map = None # 전역 변수로 초기화

try:
    if not os.path.exists(CLASS_MAP_FILENAME):
        print(f"[오류] 클래스 이름 파일('{CLASS_MAP_FILENAME}')을 찾을 수 없습니다.")
        print("파일을 현재 디렉토리에 저장했는지 확인해 주세요.")
        sys.exit(1) # 파일이 없으면 프로그램 종료

    # 1. 파일 로드 (JSON 형식)
    with open(CLASS_MAP_FILENAME, 'r') as f:
        class_map_json = json.load(f)

    # 2. 제공해주신 로직 적용: 인덱스 0부터 999까지 이름만 추출하여 리스트 생성
    # JSON 파일의 키가 문자열이므로 str(i)로 접근하고, 값 리스트의 두 번째 요소(이름)를 가져옵니다.
    labels_list = [class_map_json[str(i)] for i in range(1000)]
    
    # 3. 인덱스와 이름을 매핑하는 딕셔너리로 변환 (나중에 클래스 ID로 이름 조회 용이)
    class_name_map = {i: name for i, name in enumerate(labels_list)}
    
    print(f"ImageNet 클래스 이름 ({len(class_name_map)}개) 로드 완료.")

except Exception as e:
    print(f"[오류] 클래스 파일 로드 또는 처리 중 오류 발생: {e}")
    sys.exit(1) # 오류 발생 시 프로그램 종료


# ==============================================================================
# 1. 설정 및 모델 로드
# ==============================================================================
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"사용 장치: {device}")

# ImageNet으로 사전 훈련된 EfficientNetB0 모델 로드
print("사전 훈련된 EfficientNetB0 모델 로드 중...")
model = efficientnet_b0(weights=EfficientNet_B0_Weights.IMAGENET1K_V1)
model.eval() # 평가 모드 설정
model = model.to(device)
print("모델 로드 및 평가 모드 설정 완료.")

# ==============================================================================
# 2. 필수 전처리 파이프라인 정의
# ==============================================================================
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. 이미지 분류 및 출력 함수
# ==============================================================================

def classify_image(image_path_string):
    """
    주어진 이미지 경로의 파일을 EfficientNetB0 모델로 분류하고 결과를 출력합니다.
    (클래스 이름 포함)
    """
    try:
        # 1. 이미지 로드 및 RGB 변환
        img = Image.open(image_path_string).convert('RGB')
        print(f"\n[INFO] 이미지 로드 성공: {image_path_string}")
        
        input_tensor = preprocess(img)
        input_batch = input_tensor.unsqueeze(0).to(device)

        with torch.no_grad():
            output = model(input_batch)

        probabilities = F.softmax(output[0], dim=0)
        top_prob, top_catid = torch.topk(probabilities, 5)

        print("\n--- 분류 결과 (Top-5) ---")
        
        for i in range(top_prob.size(0)):
            idx = top_catid[i].item()
            
            # 클래스 이름 매핑 적용: 로드된 딕셔너리 사용
            class_name = class_name_map.get(idx, f"알 수 없는 클래스 (ID: {idx})")
            
            print(f"순위 {i+1}:")
            print(f"  - 클래스 이름: **{class_name}**")
            print(f"  - 클래스 인덱스 (ID): {idx}")
            print(f"  - 확률: {top_prob[i].item():.4f}")

    except FileNotFoundError:
        print(f"\n[오류] 이미지 파일을 찾을 수 없습니다: {image_path_string}")
        print("경로를 다시 확인해주세요.")
    except Exception as e:
        print(f"\n[오류] 분류 중 문제가 발생했습니다: {e}")


# --- 실행 ---
# 분류할 이미지 파일 경로를 문자열로 지정 (사용자 환경에 맞게 수정 필요!)
CLASSIFY_TARGET_PATH = 'D:/pictures/muffin1.png' 

# 함수 실행
classify_image(CLASSIFY_TARGET_PATH)