调用本地图片进行CNN模型识别

首先，需要将本地图片读取到内存中。可以使用Python的Pillow库来读取和处理图片。

from PIL import Image

# 读取图片
img = Image.open('path/to/image.jpg')
# 转换为RGB格式
img = img.convert('RGB')
# 调整大小为模型输入的大小
img = img.resize((224, 224))

接下来，需要将图片转换为模型需要的格式。一般来说，CNN模型需要输入为一个4维张量，其形状为`(batch_size, height, width, channels)`，其中`batch_size`表示批量大小，`height`和`width`表示图片的高度和宽度，`channels`表示图片的通道数。

对于一张图片，可以将`batch_size`设置为1，`height`和`width`设置为模型输入的大小（比如224），`channels`设置为3，即RGB三个通道。

import numpy as np

# 将图片转换为numpy数组
img_array = np.array(img)
# 将值缩放到0-1之间
img_array = img_array / 255.0
# 将数组转换为4维张量
img_tensor = np.expand_dims(img_array, axis=0)

最后，可以调用CNN模型进行识别。使用TensorFlow的Keras API可以方便地加载预训练模型，并进行预测。

import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50, preprocess_input, decode_predictions

# 加载预训练模型
model = ResNet50(weights='imagenet')

# 预处理输入
img_tensor = preprocess_input(img_tensor)

# 进行预测
preds = model.predict(img_tensor)

# 解码预测结果
decoded_preds = decode_predictions(preds, top=3)[0]

# 输出预测结果
for pred in decoded_preds:
    print(pred[1], pred[2])

其中，`decode_predictions`函数将模型输出的概率向量解码为具体的类别标签和对应的置信度。`top`参数表示输出置信度最高的几个类别。