나는'm 만 시작으로 keras 및 기계 학습니다.
저는 훈련하는 모델을 분류하는 이미지에서 2 개의 클래스고 저장하는 모델이다.저장()`. 여기에는 코드 사용:
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
# dimensions of our images.
img_width, img_height = 320, 240
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 200 #total
nb_validation_samples = 10 # total
epochs = 6
batch_size = 10
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, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
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'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
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=5)
model.save('model.h5')
그것은 성공적으로 훈련과 0.98 정확도는 아주 좋은 것입니다. 부하 테스트는 이 모델에 새로운 이미지를 사용하여 아래 코드:
from keras.models import load_model
import cv2
import numpy as np
model = load_model('model.h5')
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
img = cv2.imread('test.jpg')
img = cv2.resize(img,(320,240))
img = np.reshape(img,[1,320,240,3])
classes = model.predict_classes(img)
print classes
출력:
[[0]]
왜't 을 실제 이름의 클래스고 왜[[0]]
?
미리 감사드립니다.
만약 누군가가 여전히 어려움을 겪고 예측을 위해 이미지를,여기에 최적화된 코드를 저장 모델의 확인 및 예측:
# Modify 'test1.jpg' and 'test2.jpg' to the images you want to predict on
from keras.models import load_model
from keras.preprocessing import image
import numpy as np
# dimensions of our images
img_width, img_height = 320, 240
# load the model we saved
model = load_model('model.h5')
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# predicting images
img = image.load_img('test1.jpg', target_size=(img_width, img_height))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
images = np.vstack([x])
classes = model.predict_classes(images, batch_size=10)
print classes
# predicting multiple images at once
img = image.load_img('test2.jpg', target_size=(img_width, img_height))
y = image.img_to_array(img)
y = np.expand_dims(y, axis=0)
# pass the list of multiple images np.vstack()
images = np.vstack([x, y])
classes = model.predict_classes(images, batch_size=10)
# print the classes, the images belong to
print classes
print classes[0]
print classes[0][0]
keras predict_classes(문서)출력 numpy 의 배열 등 예측하고 있습니다. 는 모델의 경우,인덱스의 뉴런의 활성화에서 당신의 마지막(softmax)층이다. [[0]]
는 모델의 예측되는 테스트 데이터는 클래스 0 입니다. (일반적으로 전달 될 것입니다 여러 이미지,그리고 결과 보[[0], [1], [1], [0]]
)
로 변환해야 합니다 실제의 레이블(예를 들어'암','지암'
)바이너리로 인코딩(0
에 대한'암',1
'지암')바이너리로 분류하고 있습니다. 당신은 해석합니다 당신의 순서 출력[[0]]
으로 클래스 라'암'`
당신이 사용할 수 있는모델입니다.예측()
를 예측하는 클래스의 하나의 이미지 다음과 같이[doc]:
# load_model_sample.py
from keras.models import load_model
from keras.preprocessing import image
import matplotlib.pyplot as plt
import numpy as np
import os
def load_image(img_path, show=False):
img = image.load_img(img_path, target_size=(150, 150))
img_tensor = image.img_to_array(img) # (height, width, channels)
img_tensor = np.expand_dims(img_tensor, axis=0) # (1, height, width, channels), add a dimension because the model expects this shape: (batch_size, height, width, channels)
img_tensor /= 255. # imshow expects values in the range [0, 1]
if show:
plt.imshow(img_tensor[0])
plt.axis('off')
plt.show()
return img_tensor
if __name__ == "__main__":
# load model
model = load_model("model_aug.h5")
# image path
img_path = '/media/data/dogscats/test1/3867.jpg' # dog
#img_path = '/media/data/dogscats/test1/19.jpg' # cat
# load a single image
new_image = load_image(img_path)
# check prediction
pred = model.predict(new_image)
이를 들어,이미지는 로드numpy
배열 형태(1,높이,너비,채널)
. 그런 다음 우리는 그것으로 모델링하고 예측하는 해당 클래스로 반환된 실제 값 범위에서[0,1](binary 분류는 이 예에서).
는's 기 때문에 당신이'다시 얻는 숫자 값과 연관된 클래스입니다. 예를 들어,당신은 두 개의 클래스 개와 고양이,Keras 연결합니다 그들의 숫자 값은 0 과 1. 을 얻을 간의 매핑을 수업과 관련된 숫자 값을 사용할 수 있습니다
>>> classes = train_generator.class_indices
>>> print(classes)
{'cats': 0, 'dogs': 1}
지금 알고 계신 사이의 매핑은 당신의 클래스 및 인덱스입니다. 그래서 지금 무엇을 할 수 있는 것입
는 경우스 클래스[0][0] == 1: 예측='개' 다른 사람: 예측='cat'
전달하여 예를 들어@ritiek,나는'm 초보자에서 ML 도 어쩌면 이런 종류의 서식 설정에 도움이 될 것입 참조 대신 이름의 클래스의 번호입니다.
images = np.vstack([x, y])
prediction = model.predict(images)
print(prediction)
i = 1
for things in prediction:
if(things == 0):
print('%d.It is cancer'%(i))
else:
print('%d.Not cancer'%(i))
i = i + 1