Python | Классификация изображений с использованием keras
Предварительное условие: классификатор изображений с использованием CNN
Классификация изображений - это метод классификации изображений по соответствующим классам категорий с использованием некоторого метода, например:
- Обучение небольшой сети с нуля
- Тонкая настройка верхних слоев модели с помощью VGG16
Давайте обсудим, как обучить модель с нуля и классифицировать данные, содержащие автомобили и самолеты.
Данные поезда: данные поезда содержат 200 изображений каждой машины и самолета, то есть всего их 400 изображений в наборе обучающих данных.
Тестовые данные: тестовые данные содержат 50 изображений каждой машины и самолета, т.е. всего их 100 изображений в наборе тестовых данных.
Чтобы загрузить полный набор данных, щелкните здесь.
Описание модели: Перед тем, как начать работу с моделью, сначала подготовьте набор данных и его расположение. Посмотрите на следующее изображение, приведенное ниже:
Для загрузки папок с наборами данных они должны быть созданы и предоставлены только в этом формате. Итак, давайте начнем с модели:
Для обучения модели нам не нужна большая высокопроизводительная машина и графические процессоры, мы также можем работать с процессорами. Во-первых, в данный код включены следующие библиотеки:
# Importing all necessary libraries from keras.preprocessing.image import ImageDataGenerator from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D from keras.layers import Activation, Dropout, Flatten, Dense from keras import backend as K img_width, img_height = 224 , 224 |
Каждое изображение в наборе данных имеет размер 224 * 224.
train_data_dir = 'v_data/train' validation_data_dir = 'v_data/test' nb_train_samples = 400 nb_validation_samples = 100 epochs = 10 batch_size = 16 |
Здесь train_data_dir
- это каталог набора данных поезда. validation_data_dir
- это каталог для данных проверки. nb_train_samples
- общее количество образцов поездов. nb_validation_samples
- общее количество проверочных образцов.
Проверка формата изображения:
if K.image_data_format() = = 'channels_first' : input_shape = ( 3 , img_width, img_height) else : input_shape = (img_width, img_height, 3 ) |
Эта часть предназначена для проверки формата данных, т.е. канал RGB идет первым или последним, поэтому, каким бы он ни был, модель сначала проверит, а затем форма ввода будет загружена соответствующим образом.
model = Sequential() model.add(Conv2D( 32 , ( 2 , 2 ), input_shape = input_shape)) model.add(Activation( 'relu' )) model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) model.add(Conv2D( 32 , ( 2 , 2 ))) model.add(Activation( 'relu' )) model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) model.add(Conv2D( 64 , ( 2 , 2 ))) model.add(Activation( 'relu' )) model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) model.add(Flatten()) model.add(Dense( 64 )) model.add(Activation( 'relu' )) model.add(Dropout( 0.5 )) model.add(Dense( 1 )) model.add(Activation( 'sigmoid' )) |
О следующих терминах, использованных выше:
Conv2D
is the layer to convolve the image into multiple imagesActivation
is the activation function.MaxPooling2D
is used to max pool the value from the given size matrix and same is used for the next 2 layers. then,Flatten
is used to flatten the dimensions of the image obtained after convolving it.Dense
is used to make this a fully connected model and is the hidden layer.Dropout
is used to avoid overfitting on the dataset.Dense
is the output layer contains only one neuron which decide to which category image belongs.
Функция компиляции:
model. compile (loss = 'binary_crossentropy' , optimizer = 'rmsprop' , metrics = [ 'accuracy' ]) |
Здесь используется функция компиляции, которая включает использование потерь, оптимизаторов и показателей. Здесь используется функция потерь binary_crossentropy
, а оптимизатор - rmsprop
.
Используя DataGenerator:
train_datagen = ImageDataGenerator( rescale = 1. / 255 , shear_range = 0.2 , zoom_range = 0.2 , horizontal_flip = True ) test_datagen = ImageDataGenerator(rescale = 1. / 255 ) train_generator = train_datagen.flow_from_directory( train_data_dir, target_size = (img_width, img_height), batch_size = batch_size, class_mode = 'binary' ) validation_generator = test_datagen.flow_from_directory( validation_data_dir, target_size = (img_width, img_height), batch_size = batch_size, class_mode = 'binary' ) model.fit_generator( train_generator, steps_per_epoch = nb_train_samples / / batch_size, epochs = epochs, validation_data = validation_generator, validation_steps = nb_validation_samples / / batch_size) |
Теперь dataGenerator
к фигуре компонента dataGenerator, в котором мы использовали:
ImageDataGenerator
that rescales the image, applies shear in some range, zooms the image and does horizontal flipping with the image. This ImageDataGenerator includes all possible orientation of the image.train_datagen.flow_from_directory
is the function that is used to prepare data from the train_dataset directoryTarget_size
specifies the target size of the image.test_datagen.flow_from_directory
is used to prepare test data for the model and all is similar as above.fit_generator
is used to fit the data into the model made above, other factors used aresteps_per_epochs
tells us about the number of times the model will execute for the training data.epochs
tells us the number of times model will be trained in forward and backward pass.validation_data
is used to feed the validation/test data into the model.validation_steps
denotes the number of validation/test samples.
model.save_weights( 'model_saved.h5' ) |
Наконец-то мы также можем сохранить модель.
Ниже представлена полная реализация:
# importing libraries from keras.preprocessing.image import ImageDataGenerator from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D from keras.layers import Activation, Dropout, Flatten, Dense from keras import backend as K img_width, img_height = 224 , 224 train_data_dir = 'v_data/train' validation_data_dir = 'v_data/test' nb_train_samples = 400 nb_validation_samples = 100 epochs = 10 batch_size = 16 if K.image_data_format() = = 'channels_first' : input_shape = ( 3 , img_width, img_height) else : input_shape = (img_width, img_height, 3 ) model = Sequential() model.add(Conv2D( 32 , ( 2 , 2 ), input_shape = input_shape)) model.add(Activation( 'relu' )) model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) model.add(Conv2D( 32 , ( 2 , 2 ))) model.add(Activation( 'relu' )) model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) model.add(Conv2D( 64 , ( 2 , 2 ))) model.add(Activation( 'relu' )) model.add(MaxPooling2D(pool_size = ( 2 , 2 ))) model.add(Flatten()) model.add(Dense( 64 )) model.add(Activation( 'relu' )) model.add(Dropout( 0.5 )) model.add(Dense( 1 )) model.add(Activation( 'sigmoid' )) model. compile (loss = 'binary_crossentropy' , optimizer = 'rmsprop' , metrics = [ 'accuracy' ]) train_datagen = ImageDataGenerator( rescale = 1. / 255 , shear_range = 0.2 , zoom_range = 0.2 , horizontal_flip = True ) test_datagen = ImageDataGenerator(rescale = 1. / 255 ) train_generator = train_datagen.flow_from_directory(train_data_dir, target_size = (img_width, img_height), batch_size = batch_size, class_mode = 'binary' ) validation_generator = test_datagen.flow_from_directory( validation_data_dir, target_size = (img_width, img_height), batch_size = batch_size, class_mode = 'binary' ) model.fit_generator(train_generator, steps_per_epoch = nb_train_samples / / batch_size, epochs = epochs, validation_data = validation_generator, validation_steps = nb_validation_samples / / batch_size) model.save_weights( 'model_saved.h5' ) |
Выход: